DermaScanAI: un framework ibrido di deep learning spiegabile per la classificazione automatizzata delle lesioni cutanee tramite doppia attenzione e fusione dei metadati

Perché controlli dei nei più intelligenti sono importanti

Il cancro della pelle è uno dei tumori più comuni e individuarlo precocemente può salvare vite. Eppure molte persone aspettano mesi o anni prima di far controllare un neo sospetto, e anche i medici esperti possono avere difficoltà a valutare casi complessi. Questo studio presenta DermaScanAI, un sistema informatico progettato per aiutare i medici a distinguere macchie innocue da quelle pericolose analizzando immagini cutanee dettagliate e informazioni di base sul paziente, mostrando al contempo in modo chiaro cosa ha “osservato” per arrivare alla decisione.

Insegnare ai computer a leggere le immagini della pelle

I dermatologi spesso usano un dispositivo portatile chiamato dermatoscopio per acquisire immagini ravvicinate di nei e altre lesioni. Queste immagini rivelano minuscoli pattern di colore e texture che possono suggerire la presenza di cancro, ma sono anche piene di elementi di disturbo come peli, illuminazione irregolare e differenze di fotocamera. DermaScanAI inizia pulendo le immagini: rimuove digitalmente i peli, uniforma luminosità e colori e ingrandisce l’area della lesione a una dimensione standard. Il sistema poi arricchisce i dati capovolgendo, ruotando e alterando leggermente i colori, in modo che il computer veda molte variazioni realistiche di ciascuna lesione, aiutandolo a gestire meglio la variabilità del mondo reale.

Vedere sia i dettagli fini sia il quadro generale

Molti strumenti informatici precedenti per il cancro della pelle si concentravano solo sui pattern locali o solo sulla forma globale, il che può generare confusione quando lesioni molto diverse appaiono simili in alcune parti. DermaScanAI combina due tipi di riconoscimento dei pattern per evitare questo problema. Innanzitutto, una moderna rete convoluzionale, un tipo di motore per l’elaborazione delle immagini, individua dettagli fini come bordi, puntini di colore e texture a diverse scale, da piccole patch a regioni più ampie. Su questo livello, moduli di attenzione speciali aiutano il sistema a “aumentare il segnale” sui canali di colore e sulle aree d’immagine più informative, mentre attenuano le regioni di sfondo poco utili.

Aggiungere contesto globale e indizi dal paziente

Dopo aver focalizzato le regioni più importanti dell’immagine, DermaScanAI passa le caratteristiche raffinate a un modulo transformer leggero. Questa parte del modello è brava a collegare parti distanti dell’immagine, così da mettere in relazione il centro di un neo con il suo bordo e la pelle circostante. Allo stesso tempo, il sistema integra semplici informazioni del paziente come età, sesso e posizione corporea della lesione. Questi indizi riflettono la pratica clinica reale, dove una macchia scura sulla gamba di una persona giovane può avere un rischio diverso rispetto a una macchia simile sulla schiena di una persona anziana. Fondon do le caratteristiche dell’immagine con questi dettagli di base prima di prendere una decisione, il modello imita il modo in cui un dermatologo considera il contesto.

Prendere decisioni che i medici possono ispezionare

Un ostacolo importante all’uso dell’intelligenza artificiale nelle cliniche è che molti sistemi sembrano scatole nere. Per affrontare questo, DermaScanAI include un modulo di spiegabilità. Usando una tecnica chiamata Grad-CAM++, produce mappe di calore che evidenziano quali parti della lesione hanno maggiormente influenzato la decisione; un altro metodo, SHAP, stima quanto ciascun pezzo di informazione, compresi i metadati del paziente, abbia spinto il risultato verso una diagnosi piuttosto che un’altra. Quando queste mappe di calore vengono sovrapposte alle immagini originali e confrontate con contorni della lesione tracciati da esperti, mostrano una forte sovrapposizione, suggerendo che il sistema si concentra su regioni di significato medico piuttosto che su rumore casuale.

Le prestazioni del sistema

I ricercatori hanno testato DermaScanAI su HAM10000, una vasta raccolta pubblica di oltre 10.000 immagini dermoscopiche che coprono sette tipi di lesioni cutanee, tra cui melanoma, nei comuni e varie condizioni benigne. Dopo l’addestramento e verifiche incrociate attente con più suddivisioni dei dati, il modello ha raggiunto circa il 94,8% di accuratezza complessiva, un F1-score macro medio vicino al 92% e un’area sotto la curva ROC di 0,962, indicando una forte capacità di separare i tipi di lesione. È rimasto anche ragionevolmente accurato quando addestrato su una frazione dei dati e si è confrontato favorevolmente con altri sistemi di punta basati solo su reti convoluzionali o transformer, pur usando meno risorse computazionali.

Cosa significa per i futuri controlli della pelle

In termini semplici, questo lavoro mostra che un modello informatico progettato con cura può classificare diversi tipi di lesioni cutanee con alta affidabilità, usare informazioni semplici del paziente per raffinare il giudizio e mostrare ai medici esattamente dove sta “guardando” sulla pelle. DermaScanAI non è ancora uno strumento diagnostico autonomo: necessita ancora di test su molti ospedali, fotocamere e gruppi di pazienti prima di supportare decisioni cliniche reali. Ma offre un chiaro progetto per futuri ausili per il cancro della pelle che siano sia precisi sia trasparenti, aiutando potenzialmente i medici a individuare lesioni pericolose prima e dando a pazienti e clinici maggiore fiducia nel modo in cui tali decisioni vengono prese.

Citazione: Murali, P., Mazumder, D.H. DermaScanAI an explainable hybrid deep learning framework for automated skin lesion classification using dual attention and metadata fusion. Sci Rep 16, 15130 (2026). https://doi.org/10.1038/s41598-026-46011-0

Parole chiave: cancro della pelle, dermoscopia, deep learning, AI per imaging medico, AI spiegabile