Fortschritte bei der Psoriasis‑Klassifikation mithilfe maßgeschneiderter Transfer‑Learning‑Algorithmen

Warum eine klügere Hautdiagnose wichtig ist

Psoriasis ist mehr als ein hartnäckiger Ausschlag. Diese langanhaltende Hauterkrankung kann einreißen, bluten, jucken und sogar Gelenke schädigen; sie stört Schlaf, Arbeit und soziales Leben. Dennoch diagnostizieren Ärztinnen und Ärzte sie weiterhin meist visuell, was langsam und subjektiv sein kann – besonders wenn die Krankheit an verschiedenen Körperstellen unterschiedliche Formen annimmt. Diese Studie untersucht, wie moderne künstliche Intelligenz (KI) helfen kann: indem Computerprogramme darauf trainiert werden, sieben verschiedene Psoriasis‑Typen auf Hautfotos zu erkennen, mit einer Genauigkeit, die mit Expertinnen und Experten konkurrieren kann und eines Tages diese unterstützen könnte.

Eine Krankheit, viele Gesichter

Psoriasis sieht nicht bei allen gleich aus. Die Forschenden konzentrieren sich auf sieben Subtypen: Plaque (die klassischen schuppigen Herde), Guttata (kleine tropfenförmige Flecken), Nagelpsoriasis, pustulöse Psoriasis (pustelartige Bläschen mit Eiter), erythrodermische Psoriasis (weitflächige feurige Rötung), inverse Psoriasis (glatte rote Stellen in Hautfalten) und Psoriasisarthritis, die Hautveränderungen mit schmerzhaften, geschwollenen Gelenken kombiniert. Die Unterscheidung ist wichtig, weil jeder Typ unterschiedliche Behandlungen erfordern und auf andere Risiken hinweisen kann. Symptome können jedoch miteinander und mit anderen Hautkrankheiten überlappen, was die visuelle Diagnose besonders außerhalb spezialisierter Kliniken erschwert.

Aufbau einer umfangreichen Bilderbibliothek

Um Computern beizubringen, diese Subtypen auseinanderzuhalten, musste das Team zunächst geeignete Daten zusammenstellen. Bestehende öffentliche Haut‑Bildsammlungen kennzeichnen selten den genauen Psoriasis‑Subtyp, und einige Formen sind deutlich seltener als andere. Die Autorinnen und Autoren führten 4.005 Bilder aus mehreren offenen medizinischen Bilddatenbanken zusammen, darunter ISIC, HAM10000 und DermNet. Anschließend ordneten sie jedes Bild einer der sieben Psoriasis‑Kategorien zu. Damit der Computer nicht die häufigen Typen überlernt und seltene ausblendet, verwendeten sie „Image Augmentation“: Sie erzeugten variierte Kopien der Bilder durch Drehen, Zoomen und Spiegeln. Dieser Ausgleichsschritt machte den Datensatz über alle sieben Klassen hinweg gleichmäßiger und half den Modellen, robuste Muster zu lernen statt nur einige häufige Beispiele auswendig zu behalten.

Maschinen beibringen, die Haut zu lesen

Statt bei null anzufangen, setzten die Forschenden auf Transfer Learning. Sie nutzten drei leistungsfähige Bild‑Erkennungsmodelle – ResNet50, InceptionResNetV2 (hier als InceptionV2 bezeichnet) und InceptionV3 –, die ursprünglich an Millionen Alltagsfotos trainiert wurden, und feinjustierten sie an Psoriasis‑Bildern. Vor dem Einspeisen standardisierten sie jedes Bild auf eine feste Größe und normalisierten die Pixelwerte. Anschließend froren sie den Großteil der internen Schichten ein, fügten neue „Top“‑Schichten hinzu, die auf die sieben Psoriasis‑Typen zugeschnitten waren, und trainierten diese Ergänzungen mit ihrem kuratierten Datensatz. Zwei gängige Trainingsverfahren, die Adam‑ und RMSprop‑Optimierer, wurden verglichen, um zu prüfen, welches stabilere Lernfortschritte erzeugte.

Welche KI lernt Psoriasis am besten?

Alle drei KI‑Modelle konnten Psoriasis‑Typen mit vielversprechender Genauigkeit erkennen, doch eines stach deutlich hervor. Das ResNet50‑Modell lieferte ordentliche Ergebnisse und klassifizierte etwa vier von fünf Testbildern korrekt. InceptionV2 war deutlich besser und erreichte bei Verwendung des RMSprop‑Optimierers etwa 97 % Genauigkeit auf bislang ungesehenen Testdaten. Die stärksten Resultate erzielte InceptionV3 in Kombination mit RMSprop: Es identifizierte den Subtyp bei rund 99 % der Testbilder korrekt, und seine Präzision sowie Sensitivität (wie oft seine positiven Vorhersagen und Erkennungen richtig waren) lagen ebenfalls hoch. Visuelle Erklärungstools, die Bereiche eines Bildes hervorheben, die die KI‑Entscheidung antreiben, zeigten, dass das Modell klinisch relevante Regionen der Läsionen fokussierte und nicht auf irrelevanten Hintergrund – ein ermutigendes Zeichen für künftiges klinisches Vertrauen.

Was das für Patientinnen und Patienten bedeuten könnte

Für Menschen mit Psoriasis ersetzen diese Fortschritte keinen Dermatologen, könnten aber bald ein mächtiges zweites Augenpaar liefern. Ein genaues, automatisiertes System, das Hautfotos in detaillierte Subtypen einordnet, könnte die Telemedizin unterstützen, nicht‑spezialisierte Ärztinnen und Ärzte in entlegenen Regionen helfen und komplexe oder schwere Fälle schneller kennzeichnen. Die Autorinnen und Autoren betonen, dass ihr Tool noch an realen klinischen Fotos und über viele Hauttöne und Kameratypen hinweg getestet werden muss. Dennoch zeigt ihre Arbeit, dass sorgfältig trainierte KI – insbesondere das InceptionV3‑Modell – zuverlässig zwischen sieben Psoriasis‑Formen unterscheiden kann, was die Tür zu schnellerer, konsistenterer Diagnostik und schließlich zu besser zugeschnittener Versorgung öffnet.

Zitation: Lakshmi, L., Dhana Sree Devi, K., Rao, K. et al. Advancements in psoriasis classification using custom transfer learning algorithms. Sci Rep 16, 7007 (2026). https://doi.org/10.1038/s41598-026-38197-0

Schlüsselwörter: Psoriasis, Hautbildgebung, Deep Learning, medizinische KI, Krankheitsklassifikation