MultiTask leersysteem voor AI ter ondersteuning van BCC-diagnose met dubbele verklaring

Waarom dit belangrijk is voor dagelijkse huidgezondheid

Huidkanker is wereldwijd de meest voorkomende vorm van kanker, en basaalcelcarcinoom is daarvan de meest frequente variant. Nu telemedicine groeit, sturen huisartsen meer huidfoto's naar ziekenhuisspecialisten dan ooit, wat lange wachtrijen en vertragingen veroorzaakt. Deze studie beschrijft een kunstmatig-intelligentiesysteem dat niet alleen waarschijnlijke basaalcelcarcinomen in deze beelden detecteert, maar artsen ook laat zien waarom het tot die conclusie komt, waardoor het gemakkelijker wordt om het in echte klinische situaties te vertrouwen en te gebruiken.

Hoe huidfoto's vandaag de dag via telemedicine reizen

In veel regio's gebruiken huisartsen teledermatologie om close-upfoto's van de huid naar ziekenhuisdermatologen te sturen. Deze specialisten zoeken naar een reeks visuele aanwijzingen, zoals bepaalde vormen, kleuren en vaatpatronen, om te beslissen of een plek een basaalcelcarcinoom is of iets goedaardigs. Hoewel de basisregels goed bekend zijn, kan elk geval er anders uitzien, en specialisten moeten een groeiende stroom beelden uit vele klinieken beoordelen, wat de zorg vertraagt en het systeem onder druk zet.

Expertregels omzetten in een behulpzame assistent

De onderzoekers ontwierpen een AI-systeem dat dezelfde logica volgt als specialisten. Het zoekt in elke dermoscopische afbeelding naar zeven belangrijke visuele patronen, zoals ulceratie of bladvormige structuren, en controleert ook op een patroon dat aangeeft dat de laesie waarschijnlijk geen basaalcelcarcinoom is. In plaats van alleen “kanker” of “geen kanker” te zeggen, rapporteert het hulpmiddel welke van deze patronen het ziet en gebruikt het vervolgens eenvoudige regels gebaseerd op de praktijk van dermatologen om een laesie als waarschijnlijk kwaadaardig of niet te classificeren. Deze aanpak maakt de redenering van de computer beter begrijpelijk.

Het systeem trainen met veel meningen

Om de AI te leren gebruikten de onderzoekers 1.559 huidbeelden verzameld uit 60 eerstelijnszorgcentra in Andalusië, plus aanvullende niet-kankergevallen uit een openbaar archief. Vier dermatologen markeerden welke van de zeven patronen ze in elke laesie zagen, maar er bestaat geen perfecte referentie voor deze fijnmazige patronen en specialisten zijn het vaak oneens. De onderzoekers gebruikten een statistische methode om deze verschillende meningen samen te voegen tot één consensuslabel per afbeelding, waarmee het gedeelde oordeel van de groep werd vastgelegd en individuele bias werd verminderd.

Wat de AI leerde doen

De kern van het systeem is een compacte beeldherkenningsnetwerk, afgeleid van een bekende mobiele architectuur. Het is getraind om twee taken tegelijk uit te voeren: het onderscheiden van basaalcelcarcinomen van andere laesies en het detecteren van de visuele patronen die die beslissing ondersteunen. Om zeldzame patronen en een ongelijke dataset aan te kunnen, paste het team technieken toe zoals geavanceerde loss-functies, data-augmentatie en zorgvuldige cross-validatie. Het resultaat is een model dat laesies in ongeveer 90% van de gevallen correct classificeert als basaalcelcarcinoom of niet, en dat nog steeds goed presteert in het herkennen van de cruciale visuele patronen die die beslissing sturen.

Zien waar de AI naar kijkt

Naast patroonlijsten levert het systeem kleurkaarten die de beeldregio's accentueren die het meest verantwoordelijk zijn voor zijn besluit. Om te controleren of deze kaarten echt overeenkomen met klinisch denken, tekenden dermatologen patronen zorgvuldig af op honderden afbeeldingen. De onderzoekers vergeleken vervolgens de door de AI gemarkeerde zones met deze omtrekken en vonden dat het grootste deel van de “aandacht” van het model binnen dezelfde regio's valt die deskundigen belangrijk vinden. In bijna alle kanker-positieve gevallen werd ten minste één relevant patroon correct geïdentificeerd, en in de meeste niet-kankergevallen werd de verwachte “veilige” patroonregel gerespecteerd.

Wat dit betekent voor patiënten en artsen

Gezamenlijk laten de resultaten zien dat een compact AI-hulpmiddel kan helpen bij het triëren van huidlaesies in teledermatologie, terwijl het duidelijke, klinisch zinvolle redenen geeft voor zijn keuzes. Het vervangt dermatologen niet, maar kan aangeven welke gevallen eerst gezien moeten worden en de visuele aanwijzingen achter zijn waarschuwingen laten zien. Omdat het systeem op lichtgewicht hardware draait en de redenering van specialisten weerspiegelt, is het goed geschikt voor snelle inzet in eerstelijnsnetwerken, met de potentie om diagnoses te versnellen, leren te ondersteunen en het vertrouwen in AI-ondersteunde zorg bij huidkanker te vergroten.

Bronvermelding: Matas, I., Serrano, C., Silva-Clavería, F. et al. MultiTask learning AI system to assist BCC diagnosis with dual explanation. Sci Rep 16, 15652 (2026). https://doi.org/10.1038/s41598-026-40229-8

Trefwoorden: basaalcelcarcinoom, teledermatologie, verklaarbare AI, beeldvorming van huidlaesies, dermoscopie