Feasibility Study of Multilight Facial Imaging for Multiparameter Skin Assessment Using Lightweight Convolutional Neural Network

Stellen Sie sich Ihr Gesicht als eine komplexe, vielschichtige Landkarte vor. Normalerweise, wenn wir ein Foto von der Haut eines Menschen betrachten, nutzen wir eine Standardkamera, die die Welt in „RGB“ sieht – also in Rot, Grün und Blau. Das ist so, als würde man eine Landkarte mit nur einer einzigen, flachen Tintenschicht betrachten. Man kann die großen Straßen und die Hauptstädte sehen, aber man übersieht die verborgenen unterirdischen Tunnel, die geheimen Gänge und die subtilen Texturen, die direkt unter der Oberfläche liegen. In der Welt der Dermatologie macht diese flache Sicht es schwierig, Dinge wie tiefe Pigmentflecken, die Kollagenstruktur oder die Lichtempfindlichkeit der Haut zu erkennen, ohne das Expertenauge eines Arztes oder teure, sperrige Maschinen zu benötigen.

Um dies zu lösen, haben Wissenschaftler begonnen, „Multilicht“-Bildgebung einzusetzen. Denken Sie an das Anstrahlen eines dunklen Raums mit verschiedenen farbigen Taschenlampen, um Dinge zu enthüllen, die in der Dunkelheit unsichtbar sind. Einige Lichter werden von der Oberfläche reflektiert, um Talg anzuzeigen, während andere tief eindringen, um Flecken oder Falten sichtbar zu machen. Durch die Kombination dieser verschiedenen „Taschenlampen“ erhalten wir eine fast 3D-artige Sicht auf die Geheimnisse der Haut. Das Ziel? Ein Computer soll lernen, diese speziellen Fotos zu betrachten und uns automatisch genau sagen, wie gesund unsere Haut ist, ohne dass ein menschlicher Experte blinzeln und raten muss. Hier kommt Künstliche Intelligenz (KI) ins Spiel, die wie ein superschneller Detektiv fungiert, der lernen kann, diese komplexen Lichtmuster zu lesen.

Dieses Paper ist eine „Machbarkeitsstudie“ (Feasibility Study), was eine schicke Art zu sagen ist: Die Forscher fragen: „Können wir ein kleines, effizientes KI-Gehirn bauen, das mithilfe dieser Multilicht-Fotos 13 verschiedene Hautzustände genau vorhersagen kann?“ Sie haben nicht nur eine Art von Licht verwendet, sondern acht verschiedene Arten, darunter weißes, blaues, rotes, braunes und UV-Licht sowie spezielle polarisierte Lichter, die wie Sonnenbrillen für die Kamera wirken. Sie machten Fotos von 211 Personen und erfassten insgesamt 1.688 Bilder, die sie mit realen Messungen von Hautmerkmalen wie Sebum (Talg), Poren, Falten, Akne und Augenringen kombinierten.

Das Team baute ein leichtgewichtiges KI-Modell basierend auf etwas namens MobileNetV2. Man kann sich dieses Modell als einen sehr smarten, aber auch sehr kompakten Detektiv vorstellen. Anstatt ein riesiger, schwerer Computer zu sein, der ein ganzes Lagerhaus zur Ausführung benötigt, ist dieser darauf ausgelegt, schnell und effizient zu sein – wie ein Detektiv, der einen Fall in einem Café statt in einem Hochtechnollabor lösen kann. Die KI wurde darauf trainiert, die acht verschiedenen Lichtfotos für jede Person zu betrachten und zu versuchen, die Werte für alle 13 Hautparameter gleichzeitig zu erraten. Es ist, als würde man den Detektiv bitten, einen Verdächtigen unter acht verschiedenen farbigen Scheinwerfern zu betrachten und sofort einen Bericht über dessen Größe, Gewicht, Stimmung und Schuhgröße zu schreiben.

Die Ergebnisse erzählen jedoch eine Geschichte von „gutem Potenzial, aber noch nicht ganz am Ziel“. Die Forscher fanden heraus, dass die KI überraschend gut darin war, bestimmte Dinge zu erkennen, wie etwa „Flecken“, „Pigmente“ und „Kollagenfasern“. Für diese Merkmale konnte das Modell Vorhersagen treffen, die den realen Messungen teilweise entsprachen. Bei anderen Merkmalen jedoch hatte die KI erhebliche Schwierigkeiten. Wenn es darum ging, „Sebum“ (Talg) oder „Augenringe“ vorherzusagen, waren die Vorhersagen des Modells fast schon zufällig und kaum besser als das bloße Raten des Durchschnittswerts für alle. Das Paper stellt explizit fest, dass das Modell daran scheiterte, die Muster für diese spezifischen Merkmale zu erlernen, was wahrscheinlich daran lag, dass die Daten ungleichmäßig verteilt waren – die meisten Menschen hatten ähnliche Mengen an Talg oder Augenringen, sodass die KI nicht genug Varianz finden konnte, um daraus zu lernen.

Die Autoren sind sich sehr klar darüber, was diese Studie beweist und was sie nicht beweist. Sie behaupten keineswegs, das Problem der automatischen Hautanalyse gelöst zu haben. Tatsächlich argumentieren sie gegen die Vorstellung, dass ein einfaches, leichtgewichtiges Modell derzeit problemlos alle Hautparameter bewältigen kann. Die Studie legt nahe, dass die Verwendung von Multilicht-Bildgebung zwar reichhaltigere Informationen liefert als Standardfotos, das bloße Einspeisen dieser Daten in eine einfache KI jedoch nicht ausreicht. Die „ungleiche Verteilung“ der Daten (wo einige Hauttypen selten und andere häufig vorkamen) verwirrte das Modell, und die „leichtgewichtige“ Natur der KI bedeutete, dass sie nicht in der Lage war, die subtilen Merkmale zu extrahieren, die für schwierige Eigenschaften wie Fettigkeit erforderlich sind.

Letztendlich dient dieses Paper als Baseline – als ein Ausgangspunkt auf einer Landkarte. Es zeigt, dass der Multilicht-Ansatz eine vielversprechende Richtung ist, die mehr visuelle Informationen als Standardkameras bietet, hebt aber auch hervor, dass wir viel größere, ausgewogenere Datensätze und intelligentere KI-Techniken benötigen, um dies zuverlässig zum Erfolg zu führen. Die Autoren kommen zu dem Schluss, dass die Idee zwar machbar ist, die aktuelle Technologie jedoch noch in einem frühen Stadium steckt und die zukünftige Forschung darauf fokussieren muss, die Datenungleichgewichte zu beheben und zu verbessern, wie die KI diese verschiedenen Lichtquellen miteinander verknüpft, bevor wir einem perfekten Hautbericht vertrauen können.