Noggrann klassificering av hudlesioner på obalanserade dermoskopibilder med hög varians via SCTFD-ramverket

Varför smartare hudkontroller spelar roll

Hudcancer är en av de vanligaste formerna av cancer, men också en av de mest behandlingsbara om den upptäcks tidigt. Dermatologer förlitar sig i allt större utsträckning på närbilder av födelsemärken och fläckar, tagna med ett handhållet förstoringsinstrument kallat dermatoskop, för att avgöra vilka som är farliga. Att tolka dessa bilder är dock svårt, även för experter, och datorverktyg som skulle kunna hjälpa tenderar ofta att svikta eftersom vissa cancertyper är sällsynta och lesioner kan se mycket olika ut från patient till patient. Denna studie presenterar ett nytt artificiellt intelligensramverk, kallat SCTFD, som är utformat för att göra datorbaserad klassificering av hudlesioner mer exakt och pålitlig i just dessa svåra situationer.

Utmaningen med sällsynta och svårtolkade hudfläckar

Samlingar av hudbilder från verkliga kliniska miljöer är långt ifrån balanserade. Vanliga, i huvudsak ofarliga födelsemärken förekommer tusentals gånger i träningsdata, medan allvarliga cancerformer som melanom eller sällsynta tumörer bara förekommer några hundra gånger eller mindre. Samtidigt kan lesioner av samma sjukdom variera mycket i storlek, färg och form. Standard-AI-system tenderar att överanpassa till de vanliga mönstren och förbise de sällsynta, vilket är farligt inom medicinen: det är bättre att missa ett ofarligt födelsemärke än ett melanom. Klassiska strategier, som att enkelt kopiera sällsynta bilder eller blanda dem, eller använda komplexa generativa modeller, har begränsningar vad gäller realism, stabilitet eller beräkningskostnad. SCTFD byggdes specifikt för att hantera denna obalans och variation samtidigt som det förblir tillräckligt effektivt för praktisk användning.

Skapa bättre träningsexempel

Det första byggblocket i SCTFD är en datagenerator kallad CN-SMOTE. Istället för att bara interpolera pixlar eller träna ett skört generativt adversariellt nätverk använder CN-SMOTE ett encoder–decoder-par: ett nätverk komprimerar en dermoskopisk bild till en kompakt intern kod och ett annat rekonstruerar den tillbaka till en bild. När detta kompakta utrymme lärts in hittar metoden närliggande grannar bland sällsynta klasslesioner och interpolerar mellan deras koder för att sedan avkoda dessa mixade koder tillbaka till nya bilder. En särskild träningsstraffterm håller de interna koderna för lesioner av samma typ nära varandra, så att de syntetiska bilderna förblir realistiska och trogna den underliggande sjukdomen. Resultatet är en större, mer balanserad samling dermoskopibilder där sällsynta men viktiga lesionstyper är bättre representerade.

Se både detaljerna och helheten

Den andra komponenten, MARD-Net, fokuserar på att omvandla varje bild till en rik uppsättning utmärkande drag. Konvolutionella lager fungerar som justerbara förstoringsglas som plockar upp fina mönster såsom kanter och texturer. Ovanpå detta lär en uppmärksamhetsmodul nätverket att koncentrera sig på den lilla region där lesionen faktiskt finns, och tona ner omgivande frisk hud som annars kan störa modellen. Slutligen tittar en Transformer-baserad fas över hela bilden för att fånga relationer mellan avlägsna delar av lesionen, såsom hur olika färger och strukturer är organiserade. För att undvika den tunga beräkningskostnad som vanligtvis följer med Transformers introducerar författarna en glidande-fönsterstrategi som låter modellen få en bred överblick över lesionen samtidigt som uppmärksamhetsberäkningarna endast görs i utvalda regioner, vilket gör den snabbare och mer minneseffektiv.

Vägleda modellen att behandla varje klass rättvist

Den tredje pelaren i SCTFD är ett nytt träningsmål kallat FDLoss, som talar om för AI:n hur den ska justera sig under inlärningen. I stället för att räkna varje bild lika betonar FDLoss svåra och sällsynta fall så att modellen inte enkelt kan "släppa efter" genom att klara sig bra på de rikliga, enkla exemplen. Den blandar idéer från två populära poängsättningsregler: en som belönar en bra balans mellan känslighet och precision, och en annan som nedväger triviala exempel som nätverket redan klassificerar korrekt. Utöver detta lägger FDLoss till en term som uppmuntrar bilder från samma sjukdom att bilda täta kluster i modellens interna rum, samtidigt som olika sjukdomar pressas längre ifrån varandra. Denna kombination bekämpar direkt både klassobalans och den stora variationen inom varje klass som vanligtvis förvirrar klassificerare.

Hur väl den nya metoden presterar

Författarna testade SCTFD på två vida använda internationella benchmark-datamängder för hudbilder, ISIC 2018 och ISIC 2019, som innehåller tiotusentals verkliga kliniska dermoskopibilder över sju respektive åtta lesionstyper och är starkt snedfördelade mot vanliga födelsemärken. Jämfört med flera toppmetoder uppnådde SCTFD högre noggrannhet och en tydligt bättre balans mellan att upptäcka sanna positiva och undvika falska larm. Det förbättrade den övergripande noggrannheten till cirka 93% på ISIC 2018 och 91% på ISIC 2019, och höjde F1-poängen—ett mått som väger samman missar och felmärkningar—över alla konkurrerande system. Visualiseringar visade att dess uppmärksamhetsmoduler fokuserar direkt på lesionregioner och att features från olika sjukdomar blir mer tydligt separerade efter träning.

Vad detta innebär för patienter och läkare

För patienter innebär SCTFD löftet om ett mer pålitligt andra utlåtande när en misstänkt fläck dyker upp på huden. Genom att syntetisera realistiska exempel på sällsynta cancerformer, koncentrera sig på de mest informativa delarna av varje bild och träna med en förlustfunktion som tvingar tydlig separation mellan sjukdomstyper minskar ramverket risken att automatiserade system förbiser farliga lesioner bara för att de är ovanliga eller atypiska. Även om det inte ersätter en dermatologs omdöme kan denna metod sänka tröskeln för tidig och korrekt diagnos i kliniker och telemedicinska plattformar, vilket potentiellt upptäcker livshotande hudcancer tidigare och mer konsekvent.

Citering: Li, X., Ouyang, J., Chen, Y. et al. Accurate skin lesion classification on imbalanced dermoscopic images with high variance via the SCTFD framework. Sci Rep 16, 12302 (2026). https://doi.org/10.1038/s41598-026-37846-8

Nyckelord: upptäckt av hudcancer, dermoskopi AI, klassificering av medicinska bilder, obalanserade dataset, djupinlärning i dermatologi