DermaScanAI ett förklarbart hybridramverk för djupinlärning för automatiserad klassificering av hudlesioner med dubbel uppmärksamhet och metadatafusion

Varför smartare hudkontroller spelar roll

Hudcancer är en av de vanligaste cancerformerna, och att upptäcka den tidigt kan rädda liv. Ändå väntar många månader eller år innan en misstänkt leverfläck undersöks, och även erfarna läkare kan ha svårt att bedöma svåra fall. Denna studie introducerar DermaScanAI, ett datorprogram som är utformat för att hjälpa läkare att skilja ofarliga fläckar från farliga genom att granska detaljerade hudbilder och grundläggande patientinformation, samtidigt som det tydligt visar vad det "granskade" för att nå sitt beslut.

Att lära datorer att läsa hudbilder

Dermatologer använder ofta ett handhållet instrument kallat dermatoskop för att fånga närbilder av leverfläckar och andra fläckar. Dessa bilder avslöjar små färg- och texturmönster som kan ge ledtrådar om cancer, men de innehåller också störningar som hår, ojämn belysning och kameraskillnader. DermaScanAI börjar med att rengöra bilderna: det tar bort hår digitalt, jämnar ut ljus och färg och förstorar lesionens område till en standardstorlek. Systemet förstärker sedan datan genom att vända, rotera och lätt ändra färger så att datorn ser många realistiska varianter av varje lesion, vilket hjälper det att bättre hantera verklig variation.

Att se både fin detalj och större sammanhang

Många tidigare datorverktyg för hudcancer fokuserade antingen bara på små lokala mönster eller enbart på övergripande form, vilket kan skapa förvirring när mycket olika lesioner ser lika ut i vissa delar. DermaScanAI kombinerar två typer av mönsterigenkänning för att undvika detta problem. Först plockar ett modernt konvolutionsnät, en typ av bildbehandlingsmotor, ut fina detaljer såsom kanter, färgprickar och textur i flera skalor, från små fläckar till större regioner. Ovanpå detta hjälper särskilda uppmärksamhetsmoduler systemet att "skruva upp volymen" på de mest informativa färgkanalerna och bildområdena, samtidigt som otrevliga bakgrundsregioner dämpas.

Att lägga till globalt sammanhang och patientledtrådar

Efter att ha fokuserat på de viktigaste bildområdena skickar DermaScanAI de förfinade funktionerna till en lättvikts-transformermodul. Denna del av modellen är bra på att länka avlägsna delar av bilden, så att den kan relatera mitten av en leverfläck till dess kant och omgivande hud. Samtidigt tar systemet in enkel patientinformation som ålder, kön och lesionens kroppslokalisation. Dessa ledtrådar speglar verklig klinisk praxis, där en mörk fläck på en ung persons ben kan ha en annan risk än en liknande fläck på en äldre persons rygg. Genom att föra samman bildfunktioner med dessa grundläggande uppgifter innan ett beslut fattas efterliknar modellen hur en hudläkare tänker i fråga om kontext.

Att fatta beslut som läkare kan granska

En stor barriär för att använda artificiell intelligens i kliniken är att många system upplevs som svarta lådor. För att åtgärda detta inkluderar DermaScanAI en förklarbarhetsmodul. Med en teknik kallad Grad-CAM++ producerar den värmekartor som lyfter fram vilka delar av lesionen som mest påverkade dess beslut; en annan metod, SHAP, uppskattar hur mycket varje informationsbit, inklusive patientmetadata, drog resultatet mot en diagnos eller en annan. När dessa värmekartor läggs över originalbilderna och jämförs med expertutritade lesionkonturer visar de stor överlappning, vilket tyder på att systemet fokuserar på medicinskt meningsfulla regioner snarare än slumpmässigt brus.

Hur väl systemet presterar

Forskarlaget testade DermaScanAI på HAM10000, en stor offentlig samling med mer än 10 000 dermatoskopiska bilder som täcker sju typer av hudlesioner, inklusive melanom, vanliga leverfläckar och flera godartade tillstånd. Efter träning och noggrann korsvalidering med flera datasplit nådde modellen cirka 94,8 % total noggrannhet, ett makro-genomsnittligt F1-värde nära 92 % och en area under ROC-kurvan på 0,962, vilket indikerar en stark förmåga att skilja lesionstyper. Den förblev också rimligt exakt när den tränades på endast en del av datan, och den jämfördes fördelaktigt med andra ledande system som byggts enbart på konvolutionsnät eller transformermodeller samtidigt som den använde färre beräkningsresurser.

Vad detta betyder för framtida hudkontroller

Enkelt uttryckt visar detta arbete att en noggrant utformad datormodell kan sortera olika typer av hudlesioner med hög tillförlitlighet, använda enkel patientinformation för att förfina sin bedömning och visa läkare exakt var den "tittar" på huden. DermaScanAI är ännu inte ett fristående diagnostiskt verktyg: det behöver fortfarande testas över många sjukhus, kameror och patientgrupper innan det kan stödja verkliga kliniska beslut. Men det erbjuder en tydlig mall för framtida hjälpmedel för hudcancer som både är precisa och transparenta, och som potentiellt kan hjälpa läkare att upptäcka farliga lesioner tidigare samtidigt som patienter och kliniker får större förtroende för hur besluten fattas.

Citering: Murali, P., Mazumder, D.H. DermaScanAI an explainable hybrid deep learning framework for automated skin lesion classification using dual attention and metadata fusion. Sci Rep 16, 15130 (2026). https://doi.org/10.1038/s41598-026-46011-0

Nyckelord: hudcancer, dermoskopi, djupinlärning, medicinsk bildanalys AI, förklarbar AI