Postępy w klasyfikacji łuszczycy z wykorzystaniem niestandardowych algorytmów transfer learning

Dlaczego inteligentniejsza diagnostyka skóry ma znaczenie

Łuszczyca to coś więcej niż uporczywa wysypka. Ta przewlekła choroba skóry może pękać, krwawić, swędzieć, a nawet uszkadzać stawy, zaburzając sen, pracę i życie towarzyskie. Tymczasem lekarze wciąż diagnozują ją głównie „na oko”, co bywa powolne i subiektywne — szczególnie gdy choroba przyjmuje różne postaci na różnych częściach ciała. W tym badaniu sprawdzono, jak nowoczesna sztuczna inteligencja (AI) może pomóc: poprzez trenowanie programów komputerowych do rozpoznawania siedmiu odrębnych typów łuszczycy na podstawie zdjęć skóry, z dokładnością porównywalną z ekspertami, która w przyszłości może ich wspierać.

Jedna choroba, wiele oblicz

Łuszczyca nie wygląda tak samo u wszystkich. Badacze koncentrują się na siedmiu podtypach: łuszczyca plackowata (klasyczne łuskowate płaty), krostkowa (pustularna) — tu występują pęcherzyki wypełnione ropą, krostkowa w sensie pustular (pimple‑like bumps filled with pus) jest opisana oddzielnie w oryginale; (note: keep faithful) — [Note: translator retains original meaning], krostkowa (małe plamki przypominające krople) — guttate (małe kroplowe plamki), łuszczyca paznokci, łuszczyca krostkowa (pustular psoriasis), łuszczyca erytrodermiczna (rozległe, ogniste zaczerwienienie), łuszczyca odwrotna (gładkie czerwone plamy w fałdach skóry) oraz łuszczycowe zapalenie stawów, łączące zmiany skórne z bolesnymi, opuchniętymi stawami. Rozróżnienie między tymi typami ma znaczenie, ponieważ każdy może wymagać innego leczenia i sygnalizować różne ryzyko. Jednak objawy mogą się przenikać między sobą i z innymi chorobami skóry, co utrudnia diagnozę wizualną, szczególnie poza ośrodkami specjalistycznymi.

Budowanie obszernej biblioteki zdjęć

Aby nauczyć komputery rozróżniania tych podtypów, zespół musiał najpierw zgromadzić odpowiednie dane. Istniejące publiczne zbiory obrazów skóry rzadko oznaczają dokładny podtyp łuszczycy, a niektóre formy są znacznie rzadsze niż inne. Autorzy połączyli 4 005 zdjęć z kilku otwartych repozytoriów medycznych, w tym ISIC, HAM10000 i DermNet. Następnie przyporządkowali każde zdjęcie do jednej z siedmiu kategorii łuszczycy. Aby komputer nie „przeuczył się” na powszechnych typach i nie ignorował rzadkich, zastosowali „augmentację obrazów”: tworzenie zmienionych kopii zdjęć poprzez obracanie, przybliżanie i odbijanie. Ten krok wyrównujący klasę uczynił zestaw danych bardziej zrównoważonym w obrębie wszystkich siedmiu kategorii i pomógł modelom uczyć się trwałych wzorców zamiast zapamiętywać kilka najczęściej występujących przykładów.

Nauczanie maszyn „czytania” skóry

Zamiast zaczynać od zera, badacze skorzystali z transfer learning. Wzięli trzy potężne systemy rozpoznawania obrazów — ResNet50, InceptionResNetV2 (w tekście określane jako InceptionV2) oraz InceptionV3 — pierwotnie trenowane na milionach zdjęć codziennych obiektów i dostrojili je do zdjęć łuszczycy. Przed wprowadzeniem obrazów ustandaryzowali każdy do stałego rozmiaru i znormalizowali wartości pikseli. Następnie zamrozili większość warstw wewnętrznych, dodali nowe „górne” warstwy dostosowane do siedmiu typów łuszczycy i trenowali te dodatki na przygotowanym zbiorze danych. Porównano dwie popularne procedury trenowania, zwane optymalizatorami Adam i RMSprop, aby sprawdzić, która daje bardziej niezawodne uczenie.

Która AI najlepiej uczy się łuszczycy?

Wszystkie trzy modele AI rozpoznawały typy łuszczycy z obiecującą dokładnością, ale jeden zdecydowanie się wyróżnił. Model ResNet50 radził sobie rozsądnie, poprawnie klasyfikując około czterech na pięć testowych zdjęć. InceptionV2 wypadł znacznie lepiej, osiągając około 97% dokładności na niewidzianych wcześniej danych testowych, gdy trenowano go z optymalizatorem RMSprop. Najlepsze wyniki uzyskał InceptionV3, również w parze z RMSprop: poprawnie identyfikował podtyp w około 99% zdjęć testowych, a jego precyzja i czułość (jak często jego pozytywne przewidywania i wykrycia były prawidłowe) były równie wysokie. Narzędzia wizualnego wyjaśniania, które podświetlają obszary obrazu wpływające na decyzję AI, wykazały, że model skupiał się na klinicznie istotnych partiach zmian skórnych, a nie na nieistotnym tle — co jest zachęcającym sygnałem zwiększającym zaufanie kliniczne.

Co to może znaczyć dla pacjentów

Dla osób żyjących z łuszczycą te postępy nie zastępują dermatologa, ale mogą wkrótce dostarczyć potężne „drugie oczy”. Dokładny, zautomatyzowany system zdolny do segregowania zdjęć skóry na szczegółowe podtypy mógłby wspierać telemedycynę, pomagać lekarzom niespecjalistom w odległych rejonach i szybciej wychwytywać skomplikowane lub ciężkie przypadki. Autorzy podkreślają, że ich narzędzie wymaga jeszcze testów na zdjęciach klinicznych z realnego świata oraz na różnych odcieniach skóry i z użyciem wielu aparatów. Mimo to ich praca pokazuje, że starannie wytrenowana AI — zwłaszcza model InceptionV3 — potrafi wiarygodnie rozróżniać siedem form łuszczycy, otwierając drogę do szybszej, bardziej spójnej diagnostyki i w efekcie bardziej dopasowanej opieki.

Cytowanie: 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

Słowa kluczowe: łuszczyca, obrazowanie skóry, głębokie uczenie, medyczna AI, klasyfikacja chorób