DermaScanAI — wyjaśnialne hybrydowe głębokie uczenie do automatycznej klasyfikacji zmian skórnych z wykorzystaniem podwójnej atencji i fuzji metadanych

Dlaczego lepsze kontrole znamion mają znaczenie

Rak skóry jest jednym z najczęstszych nowotworów, a jego wczesne wykrycie może uratować życie. Mimo to wiele osób zwleka miesiącami lub latami z przebadaniem podejrzanego znamienia, a nawet doświadczeni lekarze mają trudności z oceną trudnych przypadków. W tym badaniu przedstawiono DermaScanAI — system komputerowy zaprojektowany, by pomagać lekarzom oddzielić zmiany łagodne od groźnych, analizując szczegółowe obrazy skóry i podstawowe informacje o pacjencie, a jednocześnie pokazując w przejrzysty sposób, na co „patrzył”, by podjąć decyzję.

Nauka czytania obrazów skóry przez komputery

Dermatolodzy często używają ręcznego urządzenia zwanego dermoskopem do wykonywania zbliżeniowych zdjęć znamion i innych zmian. Te obrazy ujawniają drobne wzory kolorów i tekstury, które mogą sugerować nowotwór, ale zawierają też zakłócenia, takie jak włosy, nierównomierne oświetlenie czy różnice w aparatach. DermaScanAI zaczyna od oczyszczenia obrazów: cyfrowo usuwa włosy, wyrównuje jasność i kolory oraz powiększa obszar zmiany do standardowego rozmiaru. System następnie wzbogaca dane przez odwracanie, obracanie i lekkie modyfikacje kolorów, dzięki czemu sieć widzi wiele realistycznych wariantów każdej zmiany i lepiej radzi sobie z rzeczywistą różnorodnością.

Widzenie zarówno drobnych detali, jak i szerszego obrazu

Wiele wcześniejszych narzędzi skupiało się tylko na małych lokalnych wzorcach albo tylko na ogólnym kształcie, co może prowadzić do błędów, gdy bardzo różne zmiany są podobne w pewnych fragmentach. DermaScanAI łączy dwa rodzaje rozpoznawania wzorców, by uniknąć tego problemu. Po pierwsze, nowoczesna sieć konwolucyjna — rodzaj silnika przetwarzania obrazu — wydobywa drobne detale, takie jak krawędzie, kropki kolorystyczne i teksturę na kilku skalach, od małych fragmentów po większe obszary. Na to nakładają się specjalne moduły atencji, które pozwalają systemowi „wzmocnić” najbardziej informacyjne kanały kolorów i rejony obrazu, jednocześnie tłumiąc nieistotne fragmenty tła.

Dodawanie kontekstu globalnego i wskazówek od pacjenta

Po skupieniu się na najważniejszych obszarach obrazu, DermaScanAI przekazuje wyodrębnione cechy do lekkiego modułu typu transformer. Ta część modelu dobrze łączy odległe fragmenty obrazu, dzięki czemu może powiązać środek znamienia z jego brzegiem i otaczającą skórą. Równocześnie system wprowadza proste informacje o pacjencie, takie jak wiek, płeć i lokalizacja zmiany na ciele. Te wskazówki odzwierciedlają praktykę kliniczną, gdzie ciemna plamka na nodze młodej osoby może nieść inne ryzyko niż podobna plamka na plecach osoby starszej. Poprzez fuzję cech obrazowych z tymi podstawowymi danymi przed podjęciem decyzji, model naśladuje sposób, w jaki dermatolog uwzględnia kontekst.

Podejmowanie decyzji, które lekarze mogą sprawdzić

Główną przeszkodą we wdrażaniu sztucznej inteligencji w klinikach jest to, że wiele systemów działa jak czarne skrzynki. Aby temu zaradzić, DermaScanAI zawiera moduł wyjaśnialności. Z użyciem techniki zwanej Grad-CAM++ generuje mapy cieplne, które podświetlają części zmiany najbardziej wpływające na decyzję; inna metoda, SHAP, estymuje, jak bardzo każdy element informacji, włącznie z metadanymi pacjenta, przesunął wynik w kierunku jednej diagnozy lub drugiej. Gdy te mapy cieplne zostaną nałożone na oryginalne obrazy i porównane z konturami zmian narysowanymi przez ekspertów, wykazują silne pokrycie, co sugeruje, że system skupia się na medycznie znaczących obszarach, a nie na losowym szumie.

Jak dobrze działa system

Naukowcy przetestowali DermaScanAI na HAM10000, dużym publicznym zbiorze ponad 10 000 obrazów dermoskopowych obejmujących siedem typów zmian skórnych, w tym czerniaka, zwykłe znamiona i kilka stanów łagodnych. Po treningu i starannej weryfikacji z wielokrotnym podziałem danych model osiągnął około 94,8% dokładności ogólnej, średni ważony F1 na poziomie bliskim 92% oraz pole pod krzywą ROC równe 0,962, co wskazuje na silną zdolność rozróżniania typów zmian. Pozostał też stosunkowo dokładny, gdy trenowano go tylko na ułamku danych, i wypadał korzystnie w porównaniu z innymi wiodącymi systemami opartymi wyłącznie na sieciach konwolucyjnych lub transformerach, przy mniejszym zapotrzebowaniu na zasoby obliczeniowe.

Co to oznacza dla przyszłych badań znamion

Mówiąc prosto, praca ta pokazuje, że starannie zaprojektowany model komputerowy może niezawodnie rozróżniać różne typy zmian skórnych, wykorzystać proste informacje o pacjencie do udoskonalenia oceny i pokazać lekarzom dokładnie, na co „patrzy” na skórze. DermaScanAI nie jest jeszcze samodzielnym narzędziem diagnostycznym: wciąż wymaga testów w wielu szpitalach, dla różnych aparatów i grup pacjentów, zanim będzie mógł wspierać rzeczywiste decyzje kliniczne. Jednak oferuje jasny plan dla przyszłych asystentów w wykrywaniu raka skóry, które będą zarówno dokładne, jak i przejrzyste, co może pomóc lekarzom wcześniej wykrywać groźne zmiany, a pacjentom i klinicystom dawać większą pewność co do sposobu podejmowania tych decyzji.

Cytowanie: Murali, P., Mazumder, D.H. DermaScanAI an explainable hybrid deep learning framework for automated skin lesion classification using dual attention and metadata fusion. Sci Rep 16, 15130 (2026). https://doi.org/10.1038/s41598-026-46011-0

Słowa kluczowe: rak skóry, dermoskopia, głębokie uczenie, AI w obrazowaniu medycznym, wyjaśnialna sztuczna inteligencja