DermaGPT ett federerat multimodalt ramverk med en meta-inlärd förtroendefunktion för tolkbar dermatologisk diagnostik

Varför smartare hudkontroller är viktiga

Hudproblem drabbar miljarder människor, men många samhällen har få eller inga hudläkare. Det innebär att misstänkta leverfläckar eller utslag kan bedömas felaktigt eller behandlas för sent, särskilt i mindre kliniker med begränsad teknik. Denna studie presenterar DermaGPT, ett artificiellt intelligenssystem utformat för att hjälpa läkare att upptäcka vanliga hudcancerformer och andra lesioner från foton, samtidigt som det förklarar sin bedömning på ett lättbegripligt sätt och skyddar patientintegriteten.

En ny typ av digital hudassistent

DermaGPT är uppbyggt som en tvådelad assistent. Först analyserar en visuella modul närbilder av huden, tagna med vanliga mobilkameror eller dermatoskop, och förutsäger vilken av 11 vanliga lesionstyper som syns och om den sannolikt är benign eller malign. För det andra omvandlar en separat språkmodul dessa prognoser till patientvänliga förklaringar som besvarar frågor som vad tillståndet är, hur allvarligt det kan vara och vilka behandlingar som vanligtvis övervägs. Genom att separera ”seendet” från ”förklarandet” strävar konstruktörerna efter att hålla den diagnostiska kärnan stabil samtidigt som förklaringssidan kan förbättras eller bytas ut över tid.

Utformad för klinisk verklighet

Till skillnad från många uppmärksammade medicinska AI-system som körs enbart på stora, dyra servrar är DermaGPT medvetet lättviktigt. Dess visuella ryggrad, anpassad från en Google vision–language-modell, finjusteras på ett sätt som ändrar endast ungefär en procent av parametrarna. Det gör den snabb och tillräckligt prisvärd för att köras på måttliga grafikkort som ofta finns på sjukhus. Författarna tränade systemet på biopsibekräftade bilder från fyra privata kliniker och testade det sedan på en oberoende offentlig dataset från Stanford innehållande 4 452 bilder. På detta externa test identifierade DermaGPT lesjonstypen korrekt i cirka 90 procent av fallen och skiljde korrekt mellan benign och malign i ungefär 93 procent av fallen.

Hålla data lokalt och lära sig lita på varje plats

Eftersom medicinska bilder är känsliga tränas DermaGPT med federated learning: varje sjukhus behåller sina bilder lokalt och delar endast modelluppdateringar, inte råa bilder. Sjukhus skiljer sig dock åt i patientmix, kamerakvalitet och hudtoner, vilket kan göra en delad modell mindre pålitlig. För att hantera detta lade författarna till en meta-inlärd förtroendefunktion som uppskattar hur pålitliga varje kliniks uppdateringar är, baserat på mått som osäkerhet, kalibrering och tecken på dataskift. Under träningen ges uppdateringar från bättre kalibrerade, mer konsekventa platser högre vikt, medan brusigare uppdateringar nedviktas. Detta ”förtroende-medvetna” system förbättrade både noggrannheten och tillförlitligheten i modellens konfidensbedömningar, särskilt vid den mest utmanande platsen med mer mångfald i hudtyper.

Förklara diagnoser på vardagligt språk

För förklaringar matar DermaGPT sina prediktioner till flera stora språkmodeller och jämför hur väl de presterar. Det använder också en ”avancerad sökmodul” som hämtar korta avsnitt från noggrant kurerade online-resurser inom dermatologi och förser språkmodellen med dessa som kontext. Fyra styrelsecertifierade dermatologer poängsatte de resulterande svaren utifrån tydlighet, användbarhet, faktagrund och hur benägna de skulle vara att använda ett sådant verktyg. För samtliga modeller gjorde detta söksteg förklaringarna mer informativa och mindre benägna att komma med osubstansierade påståenden. En modell, kallad DeepSeek-V3, utmärkte sig genom att producera de högst rankade förklaringarna samtidigt som den använde en relativt effektiv arkitektur som endast aktiverar en delmängd av sina neuroner för varje svar.

Fördelar, begränsningar och nästa steg

Sammanfattningsvis visar DermaGPT att det är möjligt att bygga en huddiagnosassistent som är snabb, noggrann, integritetsvänlig och förmår förklara sig i mänskliga termer. Den ersätter inte hudläkare; istället är den avsedd att hjälpa icke-specialister att triagera fall, stödja rådgivning och sprida expertliknande vägledning till kliniker som saknar specialister. Författarna betonar att vissa risker kvarstår — som förtroendefulla förklaringar baserade på en felaktig underliggande diagnos — och att fler verkliga prövningar behövs. De planerar att utöka antalet tillstånd, bättre täcka sällsynta sjukdomar och mörkare hudtoner samt lägga till flerspråkiga och självövervakande funktioner. Om dessa utmaningar möts kan system som DermaGPT bidra till att göra högkvalitativ hudvård mer tillgänglig och konsekvent i mycket olika vårdmiljöer.

Citering: Hashjin, N.M., Amiri, M.H. & Najafabadi, M.K. DermaGPT a federated multimodal framework with a meta learned trust function for interpretable dermatology diagnostics. Sci Rep 16, 7959 (2026). https://doi.org/10.1038/s41598-026-38715-0

Nyckelord: dermatologi AI, hudcancerdetektion, federated learning, medicinsk förklarbar AI, kliniskt beslutsstöd