Progressi nella classificazione della psoriasi mediante algoritmi personalizzati di transfer learning

Perché una diagnosi cutanea più intelligente è importante

La psoriasi è più di un’eruzione ostinata. Questa condizione cronica della pelle può screpolarsi, sanguinare, prudere e persino danneggiare le articolazioni, interferendo con il sonno, il lavoro e la vita sociale. Tuttavia i medici la diagnosticano ancora in gran parte a occhio, una procedura che può essere lenta e soggettiva—soprattutto quando la malattia assume forme diverse in parti differenti del corpo. Questo studio esplora come l’intelligenza artificiale (IA) moderna possa aiutare: addestrando programmi informatici a riconoscere sette diversi tipi di psoriasi a partire da fotografie della pelle, con un’accuratezza che si avvicina a quella di clinici esperti e che in futuro potrebbe supportarli.

Una malattia, molte facce

La psoriasi non si presenta allo stesso modo in tutti. I ricercatori si concentrano su sette sottotipi: a placche (le classiche chiazze squamose), guttata (piccole macchie a goccia), psoriasi ungueale, psoriasi pustolosa (protuberanze simili a brufoli piene di pus), psoriasi eritrodermica (rossore esteso e infiammato), psoriasi inversa (chiazze rosse e lisce nelle pieghe cutanee) e artrite psoriasica, che combina alterazioni cutanee con articolazioni dolorose e gonfie. Distinguere tra questi è importante perché ogni tipo può richiedere trattamenti diversi e segnala rischi differenti. Tuttavia i sintomi possono sovrapporsi tra loro e con altre malattie della pelle, rendendo la diagnosi visiva impegnativa, soprattutto fuori dai centri specialistici.

Costruire una libreria di immagini ricca

Per insegnare ai computer a distinguere questi sottotipi, il team ha prima dovuto raccogliere dati idonei. Le collezioni pubbliche di immagini cutanee esistenti raramente etichettano il sottotipo esatto di psoriasi, e alcune forme sono molto più rare di altre. Gli autori hanno raccolto complessivamente 4.005 immagini da diversi repository medici aperti, tra cui ISIC, HAM10000 e DermNet. Hanno poi classificato ciascuna immagine in una delle sette categorie di psoriasi. Per evitare che il computer imparasse eccessivamente i tipi comuni trascurando quelli rari, hanno utilizzato l’“image augmentation”: creando copie variate delle immagini ruotandole, zoomandole e ribaltandole. Questo bilanciamento ha reso il dataset più omogeneo tra le sette classi e ha aiutato i modelli a imparare schemi robusti anziché memorizzare pochi esempi frequenti.

Insegnare alle macchine a leggere la pelle

Piuttosto che partire da zero, i ricercatori hanno fatto affidamento sul transfer learning. Hanno preso tre potenti sistemi di riconoscimento delle immagini—ResNet50, InceptionResNetV2 (qui indicato come InceptionV2) e InceptionV3—originariamente addestrati su milioni di foto di uso quotidiano, e li hanno affinati sulle immagini di psoriasi. Prima di immettere le immagini, le hanno standardizzate a una dimensione fissa e normalizzato i valori dei pixel. Hanno quindi congelato la maggior parte degli strati interni, aggiunto nuovi strati “top” adattati ai sette tipi di psoriasi e addestrato queste aggiunte sul loro dataset curato. Sono stati confrontati due popolari algoritmi di addestramento, noti come ottimizzatori Adam e RMSprop, per stabilire quale producesse un apprendimento più affidabile.

Quale IA impara meglio la psoriasi?

Tutti e tre i modelli di IA sono stati in grado di riconoscere i tipi di psoriasi con un’accuratezza promettente, ma uno si è distinto chiaramente. Il modello ResNet50 ha mostrato prestazioni ragionevoli, classificando correttamente circa quattro immagini di test su cinque. InceptionV2 ha fatto molto meglio, raggiungendo circa il 97% di accuratezza sui dati di test non visti quando addestrato con l’ottimizzatore RMSprop. I risultati migliori sono arrivati da InceptionV3, sempre abbinato a RMSprop: ha identificato correttamente il sottotipo per circa il 99% delle immagini di test, con precisione e sensibilità (quanto spesso le sue predizioni positive e le sue rilevazioni fossero corrette) altrettanto elevate. Strumenti di spiegazione visiva, che evidenziano le aree di un’immagine che guidano la decisione dell’IA, hanno mostrato che il modello si concentrava su regioni clinicamente significative delle lesioni anziché sullo sfondo irrilevante, un segnale incoraggiante per la futura fiducia clinica.

Cosa potrebbe significare per i pazienti

Per le persone che convivono con la psoriasi, questi progressi non sostituiscono un dermatologo, ma potrebbero presto fornire un secondo paio di occhi molto valido. Un sistema automatizzato accurato in grado di smistare foto della pelle in sottotipi dettagliati potrebbe supportare la telemedicina, aiutare medici non specialisti in aree remote e segnalare casi complessi o gravi più rapidamente. Gli autori sottolineano che il loro strumento necessita ancora di test su foto cliniche reali e su una vasta gamma di toni di pelle e fotocamere. Nonostante ciò, il loro lavoro dimostra che un’IA attentamente addestrata—in particolare il modello InceptionV3—può distinguere in modo affidabile sette forme di psoriasi, aprendo la strada a diagnosi più rapide, più coerenti e, in ultima analisi, a cure più mirate.

Citazione: 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

Parole chiave: psoriasi, imaging cutaneo, deep learning, IA medica, classificazione delle malattie