SCD-E2S: Deep Learning Based Skin Cancer Detection Using EfficientNetV2-S with Attention Mechanisms

Hautkrebs ist eine wachsende globale gesundheitliche Herausforderung, wobei die häufigsten Formen als dunkle Flecken, erhabene Beulen oder unregelmäßige Hautpartien auftreten. Die Früherkennung dieser Zustände ist entscheidend, da sie die Chancen eines Patienten auf eine vollständige Genesung drastisch verbessert. Jahrzehntelang haben sich Ärzte auf ihre Augen und ihre Erfahrung verlassen, um diese Warnzeichen zu erkennen, aber das menschliche Urteilsvermögen kann von Arzt zu Arzt variieren, und die visuellen Unterschiede zwischen einem harmlosen Muttermal und einem gefährlichen Tumor können subtil sein. In den letzten Jahren hat ein Zweig der künstlichen Intelligenz namens Deep Learning als leistungsstarkes Werkzeug zur Unterstützung dieser Aufgabe hervorgegangen. Diese Computersysteme lernen, indem sie tausende medizinische Bilder studieren und nach und nach die komplexen Muster erkennen, die gesunde Haut von Krankheiten unterscheiden. Das Ziel ist nicht, den Arzt zu ersetzen, sondern eine zuverlässige Zweitmeinung bereitzustellen, die das erfassen kann, was sonst vielleicht übersehen würde, insbesondere in Gebieten, in denen die fachärztliche Versorgung schwer erreichbar ist.

Ein Forschungsteam hat nun ein neues System entwickelt, das darauf ausgelegt ist, diese Technologie schneller, genauer und bereit für den realen Einsatz zu machen. Ihre Arbeit konzentriert sich auf eine spezifische Architektur der künstlichen Intelligenz namens EfficientNetV2-S, die als Gehirn des Systems fungiert. Um dieses Gehirn noch schärfer zu machen, fügten die Forscher spezielle Aufmerksamkeitsmechanismen hinzu, die wie ein Scheinwerfer funktionieren, der dem Computer hilft, sich auf die wichtigsten Details einer Hautläsion zu konzentrieren, während irrelevanter Hintergrundlärm ignoriert wird. Sie trainierten dieses System unter Verwendung einer massiven Sammlung von über 14.000 dermoskopischen Bildern – stark vergrößerten Bildern der Haut, die mit einer speziellen Kamera aufgenommen wurden. Bevor sie diese Bilder in den Computer einspeisten, bereinigte das Team sie, indem störende Elemente wie Haare oder Linealmarkierungen entfernt und der Kontrast verstärkt wurde, damit die Ränder der Flecken deutlicher wurden. Sie achteten auch darauf, die Daten auszubalancieren, um sicherzustellen, dass der Computer genügend Beispiele seltener, gefährlicher Krebsarten sah, um zu lernen, wie man sie erkennt, anstatt nur die häufigen, harmlosen.

Der Trainingsprozess war ein sorgfältig gestufter Aufwand. Zuerst lernte der Computer die Grundlagen anhand der neuen Bilder, und dann wurde es ihm ermöglicht, sein Verständnis zu verfeinern, indem es die tieferen Schichten seines eigenen Wissens betrachtete. Um zu verhindern, dass das System die Trainingsbilder zu perfekt auswendig lernt – ein Fehler, der dazu führen würde, dass es bei neuen Bildern versagt – nutzten die Forscher eine Technik, bei der verschiedene Bilder während des Lernens miteinander vermischt wurden, was das System zwang, die zugrunde liegenden Konzepte zu verstehen, anstatt nur die spezifischen Pixel. Sie passten auch die internen Regeln des Systems an, um den schwierigsten Fällen, insbesondere dem gefährlichen Melanom, besondere Aufmerksamkeit zu schenken, um sicherzustellen, dass diese nicht übersehen werden. Bei Tests mit Bildern, die das System noch nie zuvor gesehen hatte, einschließlich Daten aus zwei anderen großen medizinischen Datenbanken, erreichte es eine Genauigkeitsrate von über 97 Prozent. Es identifizierte korrekt die drei Haupttypen von Hautläsionen, für die es entwickelt wurde: Melanom, Basalzellkarzinom und melanozytäre Naevi.

Was diese Arbeit auszeichnet, ist nicht nur die hohe Punktzahl, sondern wie das System gebaut wurde, um außerhalb eines Labors nützlich zu sein. Die Forscher verpackten ihr trainiertes Modell in eine mobile Anwendung, die auf Standard-Smartphones läuft. In diesem Setup kann ein Benutzer ein Foto eines verdächtigen Flecks aufnehmen, und das Bild wird sicher an einen Server gesendet, wo der Computer es in etwas mehr als einer Sekunde analysiert. Die App gibt dann ein Ergebnis mit einem Konfidenzwert zurück, das als Entscheidungshilfe sowohl für Patienten als auch für Ärzte dient. Die Forscher betonen, dass dieses Werkzeug dazu konzipiert ist, die professionelle medizinische Diagnose zu unterstützen und nicht zu ersetzen. Durch die Kombination eines hocheffizienten Computermodells mit einer praktischen mobilen Schnittstelle haben die Forscher demonstriert, dass fortschrittliche künstliche Intelligenz für den unmittelbaren Einsatz in Kliniken oder entlegenen Gebieten zugänglich gemacht werden kann. Die Studie legt nahe, dass solche Systeme mit weiterer Testung an diversen Patientengruppen und der Integration in medizinische Arbeitsabläufe zu einem Standardteil der Früherkennung von Hautkrebs werden könnten, was hilft, Leben zu retten, indem Krankheiten früher erkannt werden.