DermNet: zintegrowana architektura CNN-ViT do łagodzenia uprzedzeń w diagnostyce dermatologicznej przy użyciu zaawansowanej, nienadzorowanej segmentacji zmian

Dlaczego diagnoza dla ciemnej skóry ma znaczenie

Choroby skóry dotykają niemal każdego w pewnym momencie życia — od trądziku i egzemy po poważniejsze schorzenia. Jednak u wielu osób o brązowej i ciemnej karnacji te problemy są trudniejsze do zauważenia i łatwiej o błędną diagnozę, zarówno w klinice, jak i przez narzędzia sztucznej inteligencji (AI). W artykule przedstawiono DermNet, nowy system AI zaprojektowany tak, by rozpoznawać choroby skóry sprawiedliwiej w różnych odcieniach skóry, ucząc komputer koncentrowania się na faktycznie chorej zmianie, a nie na kolorze otaczającej skóry.

Problem jednolitego podejścia w skórnej AI

Większość istniejących systemów AI do diagnozowania chorób skóry jest trenowana na zdjęciach silnie przesuniętych w stronę jasnej skóry. Gdy te same systemy stosuje się wobec osób o ciemniejszej karnacji, ich dokładność spada o 8–12%. W praktyce taka różnica może oznaczać przeoczone wczesne objawy i opóźnione leczenie. Zebranie zrównoważonych medycznych zbiorów zdjęć jest też trudne: obrazy są rozproszone po szpitalach, w niektórych krajach brak jest cyfrowej dokumentacji, a etykietowanie przez dermatologów jest czasochłonne i kosztowne. W efekcie AI często uczy się skrótów, na przykład kojarzenia pewnych chorób głównie z bladą skórą, zamiast rzeczywistego rozumienia wyglądu zmiany.

Nauka komputera, by widział tylko zmianę

Autorzy rozwiązują ten problem u źródła: w samym obrazie. Zamiast podawać do AI całe zdjęcia ramion, twarzy czy nóg, najpierw automatycznie wycinają tylko obszar chorobowy — zmianę — niezależnie od koloru otaczającej skóry. W tym celu łączą potężne narzędzie open-source zwane Segment Anything (które potrafi obrysować obiekty bez specjalnego treningu) z klasycznymi trikami przetwarzania obrazu, które uwidaczniają różnice w kolorze i jasności. Dzięki sprytnemu przełączaniu przestrzeni barw i stosowaniu zautomatyzowanego progowania otrzymują czarno-białe „maski” oddzielające zmianę od zdrowej skóry. Co godne uwagi, ta nienadzorowana procedura osiąga około 90% nakładania się z obrysami zmian na poziomie eksperckim zarówno dla jaśniejszych, jak i ciemniejszych odcieni skóry, bez polegania na ręcznie rysowanych maskach treningowych.

Cieńsza, mądrzejsza sieć dla chorób skóry

Po izolacji zmiany przejmuje DermNet. Ten klasyfikator łączy dwie popularne idee z AI: splotowe sieci neuronowe (CNN), które dobrze rozpoznają krawędzie i tekstury, oraz vision transformer (ViT), który świetnie wychwytuje dalekozasięgowe wzorce w obrazie. DermNet najpierw używa zaledwie dwóch lekkich warstw CNN, by wydobyć szczegóły z przyciętej zmiany, a następnie przekazuje te wzorce do transformera, który uczy się relacji między różnymi częściami zmiany. Ponieważ system nie musi już analizować pełnych zdjęć ciała, może być niewielki — około 2,5 miliona parametrów, poniżej 10 megabajtów — a mimo to przewyższa znacznie większe, powszechnie używane modele obrazowe.

Budowanie sprawiedliwszego zbioru danych w tle

Aby trenować i testować DermNet, zespół połączył dwa zbiory adnotowane przez dermatologów w to, co nazwali zbiorem SkinCon. Po wymaganiu co najmniej 20 zdjęć na chorobę uzyskali 3 643 obrazy obejmujące 122 schorzenia, z około jedną trzecią pochodzącą z każdej z grup: jasnej, brązowej i ciemnej skóry. Zestaw rozszerzyli dalej przez proste transformacje, takie jak rotacja i zmiany jasności, by zmniejszyć przeuczenie i poprawić odporność. Korzystając z tego zróżnicowanego i wyselekcjonowanego zbioru, stwierdzili, że trenowanie na pełnych, niepogrążonych obrazach prowadzi do niestabilnego uczenia się i dokładności walidacyjnej na poziomie około 50–56%. Po przejściu na wejścia zawierające tylko zmianę wydajność skoczyła: DermNet osiągnął około 81% dokładności walidacyjnej i robił to bardziej konsekwentnie we wszystkich trzech grupach odcienia skóry.

Z laboratorium do kieszeni

Aby pokazać, jak to mogłoby działać w praktyce, badacze przygotowali prototyp aplikacji mobilnej. Użytkownik wykonuje zdjęcie lub przesyła fotografię podejrzanego obszaru skóry; system automatycznie segmentuje zmianę, przetwarza ją przez DermNet i w mniej niż 20 sekund zwraca trzy najbardziej prawdopodobne rozpoznania wraz z ich prawdopodobieństwami — pozostawiając ostateczną ocenę dermatologowi. Choć nie zastępuje lekarza, takie narzędzia mogłyby sygnalizować choroby we wczesnym stadium, szczególnie w regionach, gdzie brakuje dermatologów, i pomagać kierować ograniczony czas specjalistów na najbardziej pilne przypadki.

Co to oznacza dla pacjentów na co dzień

Główne przesłanie dla laików jest takie, że AI nie musi być „niewidoma kolorystycznie” w naiwnym sensie; zamiast tego można ją skierować, by patrzyła na właściwy element: samą zmianę. Usuwając wpływ tła w postaci odcienia skóry i koncentrując się na obszarze chorobowym, badanie pokazuje, że możliwe jest zbudowanie szczupłego, dokładnego modelu, który traktuje obrazy jasnej, brązowej i ciemnej skóry bardziej równo. DermNet to wczesny krok w kierunku aplikacji i systemów diagnostycznych chorób skóry, które działają wiarygodnie dla wszystkich, a nie tylko dla tych, których skóra odpowiada większości istniejących medycznych zdjęć.

Cytowanie: Imran, M.H., Shahid, M., Aazam, M. et al. DermNet: integrative CNN-ViT architecture for bias mitigation in dermatological diagnostics using advanced unsupervised lesion segmentation. Sci Rep 16, 5291 (2026). https://doi.org/10.1038/s41598-026-35697-x

Słowa kluczowe: diagnozowanie chorób skóry, uprzedzenia w medycznej sztucznej inteligencji, segmentacja zmian, obrazowanie dermatologiczne, vision transformer