Multiuppgiftslärande AI-system för att stödja BCC-diagnos med dubbel förklaring

Varför detta är viktigt för vardaglig hudhälsa

Hudcancer är den vanligaste cancerformen i världen, och basalcellscancer är den vanligaste varianten. När telemedicin växer skickar allmänläkare fler hudbilder till sjukhusets specialister än någonsin, vilket skapar långa köer och förseningar. Denna studie presenterar ett artificiellt intelligensverktyg som inte bara upptäcker sannolika basalcellscancer i dessa bilder, utan också visar för läkaren varför det drog den slutsatsen — vilket gör det lättare att lita på och använda i verkliga kliniska miljöer.

Hur hudfoton skickas via telemedicin idag

I många områden använder allmänläkare teledermatologi för att skicka närbilder av hud till sjukhusets hudläkare. Dessa experter letar efter en uppsättning visuella ledtrådar, såsom vissa former, färger och blodkärlsmönster, för att avgöra om en fläck är basalcellscancer eller något ofarligt. Även om de grundläggande reglerna är välkända kan varje fall se ganska olika ut, och specialisterna måste granska en ökande mängd bilder från många kliniker, vilket fördröjer vården och belastar systemet.

Att omvandla expertregler till en hjälpsam assistent

Forskarna designade ett AI-system som följer samma logik som specialisterna använder. Det söker efter sju viktiga visuella mönster i varje dermoskopibilder, till exempel ulcération eller bladlika former, och kontrollerar även ett mönster som indikerar att förändringen sannolikt inte är basalcellscancer. Istället för att bara säga "cancer" eller "inte cancer" rapporterar verktyget vilka av dessa mönster det ser och använder sedan enkla regler baserade på hudläkarnas praxis för att förklara om en lesion troligen är cancer eller inte. Detta tillvägagångssätt gör datorns resonemang lättare att förstå.

Träning av systemet med många åsikter

För att lära AI:n använde teamet 1 559 hudbilder insamlade från 60 vårdcentraler i Andalusien, plus ytterligare icke-cancerbilder från ett offentligt arkiv. Fyra hudläkare markerade vilka av de sju mönstren de såg i varje lesion, men det finns ingen perfekt referens för dessa finfördelade mönster och specialister är ofta oense. Forskarna använde en statistisk metod för att slå samman dessa olika åsikter till en enskild konsensusetikett för varje bild, vilket fångar gruppens gemensamma bedömning samtidigt som individuell bias minskas.

Vad AI:n lärde sig att göra

Systemets kärna är ett kompakt bildigenkänningsnätverk anpassat från en välkänd mobilarkitektur. Det tränas för att utföra två uppgifter samtidigt: att skilja basalcellscancer från andra lesioner och att upptäcka de visuella mönster som stöder det beslutet. För att hantera sällsynta mönster och en ojämn dataset använde teamet tekniker såsom avancerade förlustfunktioner, dataaugmentation och noggrann korsvalidering. Resultatet är en modell som korrekt klassificerar lesioner som basalcellscancer eller inte ungefär 90 % av gångerna och som fortfarande presterar väl på att identifiera de avgörande visuella mönstren som styr det beslutet.

Att se vart AI:n tittar

Utöver listor över mönster tillhandahåller systemet färgkartor som framhäver de bildområden som mest bidrar till dess beslut. För att kontrollera om dessa kartor verkligen överensstämmer med kliniskt tänkande markerade hudläkare noggrant mönsterområden på hundratals bilder. Forskarna jämförde sedan AI:ns framhävda zoner med dessa konturer och fann att större delen av modellens "uppmärksamhet" faller inom samma områden som experterna anser vara viktiga. I nästan alla cancerpositiva fall identifierades åtminstone ett relevant mönster korrekt, och i de flesta icke-cancerfall respekterades den förväntade "säkra" mönsterregeln.

Vad detta betyder för patienter och läkare

Tillsammans visar resultaten att ett kompakt AI-verktyg kan hjälpa till att triagera hudlesioner inom teledermatologi samtidigt som det ger tydliga, kliniskt meningsfulla skäl för sina val. Det ersätter inte hudläkare, men det kan lyfta fram vilka fall som bör ses först och visa de visuella tecken som ligger bakom dess varningar. Eftersom systemet kan köras på lättviktig hårdvara och speglar specialistresonemang är det väl lämpat för snabb implementering i primärvårdsnätverk, med potential att påskynda diagnoser, stödja lärande och öka förtroendet för AI-stödd hudcancervård.

Citering: Matas, I., Serrano, C., Silva-Clavería, F. et al. MultiTask learning AI system to assist BCC diagnosis with dual explanation. Sci Rep 16, 15652 (2026). https://doi.org/10.1038/s41598-026-40229-8

Nyckelord: basalcellscancer, teledermatologi, förklarbar AI, bildtagning av hudförändringar, dermoskopi