Framsteg i klassificering av psoriasis med skräddarsydda transfer learning‑algoritmer

Varför smartare huddiagnostik spelar roll

Psoriasis är mer än ett envis utslag. Denna långvariga hudåkomma kan spricka, blöda, klia och till och med skada leder, vilket stör sömn, arbete och socialt liv. Ändå diagnostiserar läkare den fortfarande mestadels med blotta ögat, vilket kan vara långsamt och subjektivt—särskilt när sjukdomen uppträder i olika former på olika delar av kroppen. Denna studie undersöker hur modern artificiell intelligens (AI) kan hjälpa: genom att träna datorprogram att känna igen sju distinkta typer av psoriasis från fotografier av huden, med en noggrannhet som kan mäta sig med — och en dag kanske stödja — experter.

En sjukdom, många ansikten

Psoriasis ser inte likadan ut på alla. Forskarna fokuserar på sju undertyper: plackpsoriasis (de klassiska fjällande fläckarna), guttat (små droppliknande fläckar), nagelpsoriasis, pustulös psoriasis (pimple‑liknande blåsor fyllda med var), erytrodermisk psoriasis (utbredd intensiv rodnad), invers psoriasis (släta röda fläckar i hudveck), och psoriasisartrit, som kombinerar hudförändringar med smärtsamma, svullna leder. Att skilja dem åt är viktigt eftersom varje typ kan kräva olika behandlingar och signalera olika risker. Symtomen kan dock överlappa varandra och med andra hudsjukdomar, vilket gör visuell diagnostik utmanande, särskilt utanför specialistkliniker.

Bygga ett rikt bildbibliotek

För att lära datorer att skilja dessa undertyper åt behövde teamet först samla lämpliga data. Befintliga offentliga hudbildssamlingar märker sällan upp exakt psoriasisundersort, och vissa former är mycket ovanligare än andra. Författarna satte ihop 4 005 bilder från flera öppna medicinska bildarkiv, inklusive ISIC, HAM10000 och DermNet. De grupperade sedan varje bild i en av de sju psoriasis kategorierna. För att förhindra att datorn överinlärde vanliga typer och ignorerade sällsynta använde de "image augmentation": att skapa varierade kopior av bilder genom att rotera, zooma och spegelvända dem. Detta balanseringssteg utjämnade datasetet över alla sju klasser och hjälpte modellerna att lära robusta mönster istället för att memorerna några frekventa exempel.

Lära maskiner att läsa huden

I stället för att börja från noll förlitade sig forskarna på transfer learning. De tog tre kraftfulla bildigenkänningssystem—ResNet50, InceptionResNetV2 (hädanefter kallad InceptionV2) och InceptionV3—som ursprungligen tränats på miljontals vardagsfotografier, och finjusterade dem på psoriasisbilder. Innan bilderna matades in standardiserade de varje bild till en fast storlek och normaliserade pixlarna. De frös sedan de flesta interna lager, lade till nya "topplager" anpassade till de sju psoriasis‑typerna och tränade dessa tillägg på deras kurerade dataset. Två populära träningsprocedurer, kallade Adam och RMSprop‑optimerare, jämfördes för att se vilken som gav mer tillförlitlig inlärning.

Vilken AI lär sig psoriasis bäst?

Alla tre AI‑modeller kunde känna igen psoriasis‑typer med lovande noggrannhet, men en stack tydligt ut. ResNet50 presterade rimligt väl och klassificerade korrekt omkring fyra av fem testbilder. InceptionV2 gjorde betydligt bättre och nådde cirka 97 % noggrannhet på osedda testdata när den tränades med RMSprop‑optimeraren. De starkaste resultaten kom från InceptionV3, återigen i kombination med RMSprop: den identifierade korrekt undertypen för omkring 99 % av testbilderna, och dess precision och känslighet (hur ofta dess positiva förutsägelser och upptäckter var rätt) var likaledes höga. Visualiseringsverktyg för förklaringar, som markerar de delar av en bild som driver AI:ns beslut, visade att modellen fokuserade på kliniskt meningsfulla områden av lesionerna snarare än irrelevant bakgrund—ett uppmuntrande tecken för framtida kliniskt förtroende.

Vad detta kan betyda för patienter

För personer som lever med psoriasis ersätter dessa framsteg inte en hudläkare, men de kan snart erbjuda ett kraftfullt andra öga. Ett exakt, automatiserat system som kan sortera hudfotografier i detaljerade undertyper skulle kunna stödja telemedicin, hjälpa icke‑specialistläkare i avlägsna områden och flagga komplexa eller svåra fall tidigare. Författarna betonar att deras verktyg fortfarande behöver testas på verkliga kliniska foton och över många hudtoner och kameror. Ändå visar deras arbete att noggrant tränad AI—särskilt InceptionV3‑modellen—pålitligt kan särskilja sju former av psoriasis, vilket öppnar dörren till snabbare, mer konsekvent diagnostik och i förlängningen mer skräddarsydd vård.

Citering: 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

Nyckelord: psoriasis, hudavbildning, djupinlärning, medicinsk AI, sjukdomsklassificering