Vooruitgang in de classificatie van psoriasis met op maat gemaakte transfer‑learning‑algoritmen

Waarom slimere huidadvies belangrijk is

Psoriasis is meer dan een hardnekkige uitslag. Deze langdurige huidaandoening kan barsten, bloeden, jeuken en zelfs gewrichten beschadigen, waardoor slaap, werk en sociaal leven worden verstoord. Toch stellen artsen de diagnose meestal nog op het oog, wat traag en subjectief kan zijn — vooral wanneer de ziekte op verschillende delen van het lichaam verschillende vormen aanneemt. Deze studie onderzoekt hoe moderne kunstmatige intelligentie (AI) kan helpen: door computers te trainen zeven verschillende vormen van psoriasis op foto’s van de huid te herkennen, met een nauwkeurigheid die die van deskundige clinici benadert en mogelijk in de toekomst kan ondersteunen.

Een ziekte, vele verschijningsvormen

Psoriasis ziet er niet bij iedereen hetzelfde uit. De onderzoekers richten zich op zeven subtypen: plaque (de klassieke schilferende plekken), guttate (kleine druppelachtige vlekken), nagelpsoriasis, pustulaire psoriasis (puistachtige bultjes gevuld met pus), erythrodermische psoriasis (wijdverspreide felle roodheid), inverse psoriasis (gladde rode plekken in huidplooien) en psoriatische artritis, die huidveranderingen combineert met pijnlijke, gezwollen gewrichten. Het is belangrijk deze typen van elkaar te onderscheiden, omdat elk type om andere behandelingen kan vragen en andere risico’s kan aangeven. Symptomen kunnen echter overlappen met elkaar en met andere huidaandoeningen, wat visuele diagnose lastig maakt, vooral buiten gespecialiseerde klinieken.

Een uitgebreide afbeeldingsbibliotheek opbouwen

Om computers te leren deze subtypen uit elkaar te houden, moest het team eerst geschikte data samenstellen. Bestaande openbare huidbeeldverzamelingen labelen zelden het exacte psoriasistype, en sommige vormen zijn veel zeldzamer dan andere. De auteurs verzamelden 4.005 afbeeldingen uit verschillende open medische beeldrepositories, waaronder ISIC, HAM10000 en DermNet. Ze groepeerden elke afbeelding in een van de zeven psoriasiscategorieën. Om te voorkomen dat de computer veelvoorkomende typen overleert en zeldzame negeert, gebruikten ze "image augmentation": het maken van gevarieerde kopieën van foto’s door ze te roteren, in te zoomen en te spiegelen. Deze balanceringsstap zorgde voor een evenwichtigere dataset over alle zeven klassen en hielp de modellen robuuste patronen te leren in plaats van een paar veelvoorkomende voorbeelden uit het hoofd te leren.

Machines leren de huid te lezen

In plaats van vanaf nul te beginnen, vertrouwden de onderzoekers op transfer learning. Ze namen drie krachtige beeldherkenningssystemen — ResNet50, InceptionResNetV2 (hier aangeduid als InceptionV2) en InceptionV3 — die oorspronkelijk waren getraind op miljoenen alledaagse foto’s, en finetuneden deze op psoriasisafbeeldingen. Voordat ze de beelden invoerden, standaardiseerden ze elk beeld tot een vaste grootte en normaliseerden ze de pixelwaarden. Vervolgens bevroren ze het merendeel van de interne lagen, voegden nieuwe "top"-lagen toe die waren afgestemd op de zeven psoriasistypen, en trainden ze deze toevoegingen op hun samengestelde dataset. Twee veelgebruikte trainingsprocedures, de Adam- en RMSprop-optimizers, werden vergeleken om te zien welke betrouwbaarder leerresultaten opleverde.

Welke AI leert psoriasis het beste?

Alle drie de AI‑modellen konden psoriasistypen met veelbelovende nauwkeurigheid herkennen, maar één kwam duidelijk boven de rest uit. Het ResNet50‑model presteerde redelijk goed, en classificeerde ongeveer vier van de vijf testafbeeldingen correct. InceptionV2 deed het veel beter en bereikte ongeveer 97% nauwkeurigheid op ongeziene testdata wanneer het met de RMSprop‑optimizer was getraind. De sterkste resultaten kwamen van InceptionV3, eveneens gecombineerd met RMSprop: dit model identificeerde het subtype correct voor ongeveer 99% van de testafbeeldingen, en zijn precisie en sensitiviteit (hoe vaak de positieve voorspellingen en detecties klopten) waren evenzo hoog. Visuele verklaringsmethoden, die de gebieden van een afbeelding markeren die de beslissing van de AI sturen, lieten zien dat het model zich op klinisch betekenisvolle delen van laesies concentreerde in plaats van op irrelevante achtergrond, een bemoedigend teken voor toekomstig klinisch vertrouwen.

Wat dit voor patiënten kan betekenen

Voor mensen met psoriasis vervangen deze vooruitgangen geen dermatoloog, maar ze zouden spoedig een krachtige tweede blik kunnen bieden. Een nauwkeurig, geautomatiseerd systeem dat huidfoto’s in gedetailleerde subtypen kan indelen, kan telezorg ondersteunen, niet‑specialistische artsen in afgelegen gebieden helpen en complexe of ernstige gevallen eerder signaleren. De auteurs benadrukken dat hun hulpmiddel nog getest moet worden op realistische klinische foto’s en op uiteenlopende huidtinten en camera’s. Desalniettemin toont hun werk aan dat zorgvuldig getrainde AI — in het bijzonder het InceptionV3‑model — betrouwbaar zeven vormen van psoriasis van elkaar kan onderscheiden, wat de weg vrijmaakt voor snellere, consistentere diagnoses en uiteindelijk meer op maat gemaakte zorg.

Bronvermelding: 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

Trefwoorden: psoriasis, huidbeeldvorming, diep leren, medische AI, ziekteclassificatie