Analiza hybrydowych modeli CNN optymalizowanych za pomocą algorytmów metaheurystycznych do wykrywania czerniaka

Dlaczego mądrzejsze badania skóry mają znaczenie

Czerniak to groźna postać raka skóry, która może szybko się rozprzestrzeniać, jeśli nie zostanie wykryta we wczesnym stadium. Dermatolodzy korzystają dziś z aparatów i oprogramowania obok badania wzrokowego, ale projektowanie wiarygodnych systemów sztucznej inteligencji (AI) dla takich obrazów wciąż stanowi wyzwanie. Badanie to bada nowy sposób budowania takich systemów, polegający na automatycznym projektowaniu i strojenia modelu głębokiego uczenia za pomocą strategii przeszukiwania inspirowanych naturą, z celem wykrywania większej liczby czerniaków przy jednoczesnym utrzymaniu kontroli nad fałszywymi alarmami.

Nauka komputerów widzenia zmienionej skóry

Naukowcy skupiają się na obrazach dermoskopowych — zbliżonych, powiększonych zdjęciach zmian skórnych wykonanych specjalnym urządzeniem. Obrazy te zawierają subtelne wzorce koloru, tekstury i kształtu, które mogą wskazywać na raka. Splotowe sieci neuronowe (CNN) to rodzaj AI szczególnie dobry w rozpoznawaniu takich wzorców wizualnych, lecz są wrażliwe na ustawienia: ich wydajność zależy od wielu decyzji projektowych, takich jak liczba warstw, rozmiary filtrów czy tempo uczenia. Tradycyjnie eksperci zgadują lub ręcznie stroją te parametry albo ponownie wykorzystują konstrukcje z niepowiązanych zadań, co może ograniczać zdolność modeli do dostosowania się do obrazów zmian skórnych.

Pozwalanie strategiom inspirowanym naturą projektować model

Zamiast z góry ustalać architekturę CNN, autorzy zamieniają cały projekt w problem przeszukiwania. Łączą CNN z sześcioma tzw. algorytmami metaheurystycznymi — strategiami poszukiwań inspirowanymi zachowaniami przyrody, takimi jak kukułki składające jaja w gniazdach innych ptaków, wilki polujące w grupie czy stada ptaków poruszające się jak rój. W tym podejściu każdy metaheurystyczny algorytm traktuje kompletny projekt CNN, włącznie z głównymi ustawieniami treningu, jako kandydat na rozwiązanie. Generuje potem wiele takich kandydatów, testuje każdy z nich poprzez rzeczywiste trenowanie i walidację CNN na obrazach skóry, i stopniowo kieruje populację ku lepiej działającym projektom na podstawie tego, jak dokładnie rozróżniają czerniaka od zmian łagodnych.

Najpierw oczyszczanie i wzbogacanie obrazów

Zanim rozpocznie się proces uczenia, same obrazy wymagają starannego przygotowania. Zespół korzysta z szeroko stosowanej kolekcji HAM10000, zawierającej ponad jedenaście tysięcy obrazów dermoskopowych obejmujących siedem typów zmian skórnych, w tym czerniaka. Wszystkie obrazy są skalowane do standardowego rozmiaru, wyrównywane pod względem jasności i oczyszczane z rozpraszających artefaktów, takich jak włosy i oznaczenia, które mogłyby zmylić model. Aby pomóc CNN poradzić sobie z różnorodnością spotykaną w rzeczywistych gabinetach, tworzą następnie nowe, nieco zmienione wersje każdego obrazu czerniaka poprzez odbicia, obracanie, powiększanie, przycinanie i regulację jasności. Służy to jednocześnie zrównoważeniu liczby przykładów czerniaka i nie‑czerniaka, co zapobiega nauczeniu modelu faworyzowania częściej występującej klasy.

Próba sześciu strategii wyszukiwania

W obrębie oczyszczonego i rozszerzonego zestawu danych sześć metaheurystyk — Cuckoo Search, Firefly Algorithm, Whale Optimization Algorithm, Particle Swarm Optimization, Grey Wolf Optimizer oraz Crow Search Algorithm — każda poszukuje silnych konfiguracji CNN. Eksplorują wybory takie jak liczba warstw konwolucyjnych, liczba filtrów na warstwę, czy zastosować technikę stabilizującą zwaną normalizacją wsadową (batch normalization), jak duża ma być partia treningowa i jakie tempo uczenia steruje szybkością aktualizacji parametrów modelu. Dla każdej proponowanej konfiguracji budowany jest CNN, trenowany i sprawdzany na odrębnym zbiorze walidacyjnym, a jego dokładność jest zwracana do algorytmu przeszukiwania jako ocena służąca do kierowania kolejnymi kandydatami. Cykl ten powtarza się w wielu eksperymentalnych schematach, które różnicują wielkości populacji i liczbę iteracji dla każdego optymalizatora.

Które strategie sprawdziły się najlepiej

Wszystkie sześć podejść wygenerowało CNN-y, które przewyższały starannie skonstruowaną, ręcznie strojona sieć bazową. Sieć bazowa osiągała około 84 procent poprawnych klasyfikacji, podczas gdy najlepsze modele kierowane przez metaheurystyki osiągały około 91 procent dokładności. Dwie algorytmy wyróżniły się szczególnie. Cuckoo Search zapewnił najwyższą ogólną dokładność i czułość — oznacza to, że był szczególnie skuteczny w wykrywaniu czerniaków i zmniejszaniu ryzyka ich przeoczenia. Grey Wolf Optimizer oferował podobnie wysoką dokładność, ale osiągał najlepszą zdolność do poprawnego rozpoznawania zmian łagodnych, redukując niepotrzebne alarmy. Inne metody, takie jak Firefly Algorithm, wypadały konkurencyjnie, ale z większą zmiennością, podczas gdy Particle Swarm i Crow Search miały tendencję do wcześniejszego zbiegania się do mniej optymalnych obszarów przestrzeni projektowej.

Zaglądanie w „rozumowanie” modelu

Ponieważ medyczna AI musi budzić zaufanie klinicystów, autorzy analizują również, jak zoptymalizowane CNN-y podejmują decyzje. Przy użyciu techniki wizualizacji zwanej Grad‑CAM++ generują kolorowe mapy cieplne nakładane na obrazy wejściowe, które pokazują, gdzie sieć „patrzy”, gdy uznaje zmianę za złośliwą lub łagodną. W udanych przypadkach mapy te koncentrują się na samej zmianie, a nie na otaczającej skórze czy pozostałych artefaktach, i uwypuklają nieregularne struktury zgodne z tym, co dermatolodzy uznają za podejrzane. Gdy system popełnia błąd, często ma trudności z zmianami wizualnie niejednoznacznymi nawet dla specjalistów, takimi jak łagodne plamy o chropowatej teksturze lub wczesne czerniaki o bardzo subtelnym kontraście.

Co to oznacza dla przyszłych badań skóry

Dla osoby niebędącej specjalistą kluczowy przekaz jest taki, że badanie pokazuje, iż pozwalanie strategiom inspirowanym naturą projektować wewnętrzne elementy modelu głębokiego uczenia może uczynić automatyczne wykrywanie czerniaka bardziej dokładnym i bardziej wiarygodnym niż samo ręczne strojenie ekspertów. Poprzez systematyczne porównanie kilku takich strategii na tym samym dużym, publicznym zbiorze danych, autorzy wskazują Cuckoo Search i Grey Wolf Optimizer jako szczególnie obiecujące narzędzia do budowy przyszłych systemów wspomagania decyzji klinicznych. Choć te systemy nie mają zastępować dermatologów, mogą stać się wartościowymi „drugimi czytelnikami”, pomagając zmniejszyć ryzyko przeoczenia niebezpiecznych zmian i ograniczyć niepotrzebne niepokoje oraz zabiegi w przypadku zmian łagodnych.

Cytowanie: Hermosilla, P., Soto, R., Monfroy, E. et al. Analysis of hybrid CNN models optimized with metaheuristic algorithms for melanoma detection. Sci Rep 16, 13075 (2026). https://doi.org/10.1038/s41598-026-42711-9

Słowa kluczowe: wykrywanie czerniaka, obrazowanie dermoskopowe, splotowe sieci neuronowe, optymalizacja metaheurystyczna, medyczna sztuczna inteligencja