Skapa dermatopatologi-encyklopedin DermpathNet med AI-baserat arbetsflöde

Varför ett nytt bibliotek för hudbilder spelar roll

Hudcancer och andra tillväxter diagnostiseras ofta genom att man undersöker tunna vävnadsskivor i mikroskop, ett fält som kallas dermatopatologi. Bilderna som används för att utbilda läkare och testa artificiella intelligens (AI)-verktyg är dock ofta inlåsta bakom betalväggar eller sekretessregler. Denna artikel presenterar DermpathNet, en fritt tillgänglig, noggrant granskad samling av tusentals hudbiopsibilder skapad med hjälp av AI. Den är utformad för att göra inlärning, korskontroll av diagnoser och utveckling av nya datorverktyg enklare och mer tillförlitlig för kliniker och forskare världen över.

Problemet med dolda undervisningspreparat

De flesta medicinska elever lär sig från glaspreparat eller digitala filer som kontrolleras av ett enda sjukhus. Dessa material kan innehålla patientidentifierare eller vara licensierade på sätt som hindrar delning. Befintliga online-resurser kräver antingen betalda prenumerationer, erbjuder bara ett fåtal exempel eller granskas kanske inte konsekvent av experter. Som ett resultat saknar studenter och kliniker en bred, betrodd och öppen samling av mikroskopiska hudbilder som visar både vanliga och sällsynta tumörer. Utan en sådan resurs blir det svårt att jämföra fall, standardisera undervisning eller rättvist bedöma hur väl datorvisionssystem faktiskt presterar.

Att hitta kvalitetsbilder i ett hav av artiklar

Författarna vände sig till PubMed Centrals Open Access-samling, ett omfattande bibliotek av fulltextbiomedicinska artiklar vars innehåll får återanvändas lagligt. De började med en strukturerad lista, eller lexikon, över 12 grupper av benigna och maligna hudtumörer och nästan 200 specifika diagnoser, byggt utifrån expertkunskap och standardiserade medicinska vokabulär. Med hjälp av detta lexikon sökte de i PubMed Central efter artiklar vars titlar eller abstrakt nämnde dessa sjukdomar, laddade ner fulltexterna och extraherade alla figurer och figurtexter. Detta första urval gav mer än 200 000 figurer från över 43 000 artiklar — alldeles för många, och de flesta var inte faktiskt mikroskopiska hudbilder.

Hur AI och nyckelord samarbetade

För att sortera användbara bilder från irrelevanta skapade teamet ett hybridfiltreringssystem. En del var en djupinlärningsmodell tränad på en separat medicinsk bildsamling för att avgöra om en given bild liknade ett patologipreparat eller inte. Den andra delen genomsökte figurtexterna efter typiska fraser som förstoringar eller färgningsbegrepp som vanligtvis följer med mikroskopbilder. För mycket vanliga diagnoser behölls endast bilder som klarade båda testerna, vilket förbättrade renheten; för sällsynta diagnoser accepterades bilder som klarade något av testen för att undvika att missa knappa exempel. När denna hybrida metod jämfördes med en mänsklig ”guldstandard” bestående av 651 manuellt märkta bilder var dess prestanda stark, med ett F-värde över 90 %, bättre än att använda AI eller nyckelord ensamt.

Vad DermpathNet innehåller och hur det används

Efter bearbetning producerade arbetsflödet 7 772 bilder som täcker 166 olika diagnoser av hudtumörer. Varje bild granskades av styrelsecertifierade dermatopatologer, och varje bild är kopplad till rik metadata som beskriver källartikeln, sjukdomstypen och standardiserade medicinska koder. Datamängden är organiserad så att användare kan utforska efter sjukdomskategori, specifik diagnos eller ursprunglig publikation, samtidigt som licensinformation spåras. Utöver utbildning använde författarna DermpathNet för att undersöka gränserna för en modern visions–språk-modell: GPT‑4v. När modellen ombads identifiera specifika hudtumörer i dessa utmanande bilder under sant/falskt-, öppna svar- och flervalsformat presterade den dåligt och misslyckades ofta med att känna igen rätt diagnos även när den fick en kort lista med alternativ.

Vad detta betyder för läkare och maskiner

För icke-specialister kan DermpathNet betraktas som en högkvalitativ, öppet delad atlas över mikroskopiska hudtumörer, byggd med ett smart sorteringssystem som låter mänskliga experter fokusera på slutliga kontroller istället för manuell genomgång. Den sänker trösklarna för utbildning och jämförelser mellan institutioner och visar svårigheten i den visuella uppgiften: även en toppmodern AI modell hade svårt med dessa bilder. Författarna drar slutsatsen att medan AI kan hjälpa till att sammanställa sådana resurser är dagens allmänna modeller ännu inte redo att ersätta specialistbedömning i dermatopatologi. Istället erbjuder DermpathNet en stabil grund för undervisning och för att bygga nästa generationens dedikerade medicinska AI-verktyg som verkligen kan hjälpa till vid diagnostik av hudsjukdomar.

Citering: Xu, Z., Lin, M., Zhou, Y. et al. Establishing dermatopathology encyclopedia DermpathNet with Artificial Intelligence-Based Workflow. Sci Data 13, 368 (2026). https://doi.org/10.1038/s41597-026-06715-4

Nyckelord: dermatopatologi, medicinsk bilddatamängd, artificiell intelligens, hudcancer, digital patologi