Genaue Klassifikation von Hautläsionen auf unausgeglichenen dermoskopischen Bildern mit hoher Varianz durch das SCTFD‑Framework

Warum klügere Hautuntersuchungen wichtig sind

Hautkrebs gehört zu den häufigsten Krebsarten, ist jedoch eine der am besten behandelbaren, wenn er früh erkannt wird. Dermatologen verlassen sich zunehmend auf Nahaufnahmen von Muttermalen und Flecken, die mit einem Handvergrößerungsgerät, dem Dermatoskop, aufgenommen werden, um zu entscheiden, welche auffällig sind. Das Lesen dieser Bilder ist jedoch schwierig, selbst für Fachleute, und unterstützende Computerverfahren scheitern oft, da manche Krebsarten selten sind und Läsionen von Patient zu Patient sehr unterschiedlich aussehen können. Diese Studie stellt ein neues KI‑Framework namens SCTFD vor, das genau für diese schwierigen Situationen entwickelt wurde, um die computerbasierte Klassifikation von Hautläsionen genauer und verlässlicher zu machen.

Die Herausforderung seltener und schwer zu deutender Hautveränderungen

Reale Sammlungen von Hautbildern sind alles andere als ausgeglichen. Häufige, meist harmlose Muttermale kommen in Trainingsdaten tausendfach vor, während ernsthafte Krebserkrankungen wie Melanome oder seltene Tumoren nur einige Hundert Male oder noch seltener vertreten sind. Gleichzeitig können Läsionen derselben Erkrankung in Größe, Farbe und Form stark variieren. Standard‑KI‑Systeme neigen dazu, sich an die häufigen Muster anzupassen und die seltenen zu übersehen, was in der Medizin gefährlich ist: Es ist schlimmer, ein Melanom zu übersehen als ein harmloses Muttermal. Klassische Strategien wie einfaches Kopieren seltener Bilder, Vermischen oder der Einsatz komplexer generativer Modelle haben Grenzen in Realitätsnähe, Stabilität oder Rechenaufwand. SCTFD wurde speziell entwickelt, um dieses Ungleichgewicht und die Variabilität zu bewältigen und dabei effizient genug für den praktischen Einsatz zu bleiben.

Bessere Trainingsbeispiele erzeugen

Die erste Baustein von SCTFD ist ein Datengenerator namens CN‑SMOTE. Anstatt nur Pixelwerte zu interpolieren oder ein fragiles generatives adversariales Netzwerk zu trainieren, nutzt CN‑SMOTE ein Encoder‑Decoder‑Paar: Ein Netzwerk komprimiert ein dermoskopisches Bild in einen kompakten internen Code, ein anderes rekonstruiert daraus wieder ein Bild. Sobald dieser kompakte Raum gelernt ist, findet die Methode nahe Nachbarn unter den seltenen Klassenläsionen und interpoliert zwischen ihren Codes, um dann die gemischten Codes zurück in neue Bilder zu dekodieren. Eine spezielle Trainingsstrafe hält die internen Codes für Läsionen desselben Typs nahe beieinander, sodass die synthetischen Bilder realistisch bleiben und die zugrundeliegende Erkrankung treu wiedergeben. Das Ergebnis ist eine größere, ausgeglichenere Sammlung dermoskopischer Bilder, in der seltene, aber wichtige Läsionstypen besser vertreten sind.

Sowohl Details als auch das Gesamtbild erfassen

Die zweite Komponente, MARD‑Net, konzentriert sich darauf, jedes Bild in einen reichen Satz aussagekräftiger Merkmale zu überführen. Faltungs‑ (Convolutional‑) Schichten wirken wie einstellbare Vergrößerungsgläser, die feine Muster wie Ränder und Texturen erfassen. Darüber hinaus lehrt ein Aufmerksamkeitsmodul das Netzwerk, sich auf die kleine Region zu konzentrieren, in der sich die Läsion tatsächlich befindet, und die umgebende gesunde Haut, die ablenken könnte, zu unterdrücken. Schließlich betrachtet eine Transformer‑basierte Stufe das gesamte Bild, um Beziehungen zwischen weit auseinanderliegenden Teilen der Läsion zu erfassen, etwa wie Farben und Strukturen angeordnet sind. Um die üblicherweise hohe Rechenlast von Transformern zu vermeiden, führen die Autoren eine Gleitfenster‑Strategie ein, die dem Modell eine weite Sicht auf die Läsion ermöglicht, während die fokussierten Attention‑Berechnungen nur in ausgewählten Regionen stattfinden, wodurch es schneller und speichereffizienter wird.

Das Modell anweisen, jede Klasse fair zu behandeln

Die dritte Säule von SCTFD ist ein neues Trainingsziel namens FDLoss, das der KI vorgibt, wie sie sich während des Lernens anpassen soll. Anstatt jedes Bild gleich zu gewichten, legt FDLoss den Fokus auf schwierige und seltene Fälle, sodass das Modell nicht einfach bei den zahlreich vorhandenen, einfachen Beispielen „mitläuft“. Es verbindet Ideen aus zwei gängigen Bewertungsregeln: einer, die eine gute Balance zwischen Sensitivität und Präzision belohnt, und einer, die triviale Beispiele, die das Netzwerk bereits korrekt klassifiziert, heruntergewichtet. Darüber hinaus fügt FDLoss einen Term hinzu, der Bilder derselben Erkrankung ermutigt, enge Gruppen im internen Raum des Modells zu bilden, während unterschiedliche Erkrankungen weiter auseinander getrieben werden. Diese Kombination bekämpft direkt sowohl Klassenungleichgewicht als auch die große Variation innerhalb jeder Klasse, die Klassifikatoren typischerweise verwirrt.

Wie gut der neue Ansatz abschneidet

Die Autoren testeten SCTFD an zwei weitverbreiteten internationalen Hautbild‑Benchmarks, ISIC 2018 und ISIC 2019, die jeweils Zehntausende realer klinischer dermoskopischer Bilder über sieben bzw. acht Läsionstypen enthalten und stark zu Gunsten häufiger Muttermale verzerrt sind. Im Vergleich zu mehreren modernen Methoden erzielte SCTFD eine höhere Genauigkeit und ein deutlich besseres Gleichgewicht zwischen dem Erfassen wahrer Positiver und dem Vermeiden falscher Alarme. Es verbesserte die Gesamtgenauigkeit auf etwa 93 % für ISIC 2018 und 91 % für ISIC 2019 und hob die F1‑Score — ein Maß, das Auslassungen und Fehlzuweisungen ausbalanciert — über alle konkurrierenden Systeme an. Visualisierungen zeigten, dass sich seine Attention‑Module klar auf Läsionsbereiche konzentrieren und dass sich Merkmale verschiedener Erkrankungen nach dem Training sauberer trennen.

Was das für Patienten und Ärztinnen bedeutet

Für Patientinnen und Patienten bietet SCTFD die Aussicht auf eine verlässlichere Zweitmeinung, wenn ein verdächtiger Fleck auf der Haut auftaucht. Durch das Erzeugen realistischer Beispiele seltener Krebsarten, das Konzentrieren auf die informativsten Bildbereiche und das Training mit einer Verlustfunktion, die klare Trennungen zwischen Erkrankungstypen erzwingt, verringert das Framework das Risiko, dass automatisierte Systeme gefährliche Läsionen übersehen, nur weil sie selten oder atypisch sind. Es ersetzt nicht das Urteil einer Dermatologin oder eines Dermatologen, kann aber die Früherkennung und präzise Diagnostik in Kliniken und Telemedizin‑Plattformen erleichtern und so potenziell lebensbedrohliche Hautkrebserkrankungen früher und konsistenter erfassen.

Zitation: Li, X., Ouyang, J., Chen, Y. et al. Accurate skin lesion classification on imbalanced dermoscopic images with high variance via the SCTFD framework. Sci Rep 16, 12302 (2026). https://doi.org/10.1038/s41598-026-37846-8

Schlüsselwörter: Hautkrebs­erkennung, Dermoskopie KI, medizinische Bildklassifikation, unausgeglichene Datensätze, Deep Learning in der Dermatologie