Two-Stage Fine-Tuning of ResNet50 for High-Sensitivity Melanoma Detection on Dermoscopic Images

Immagina di dover insegnare a un robot molto intelligente e con molta esperienza (chiamato ResNet50) come individuare una pericolosa condizione cutanea chiamata melanoma nelle foto della pelle. Questo robot ha già visto milioni di foto comuni (come gatti, auto e alberi) ed è un esperto nel riconoscere forme e colori generali. Ma ora, deve imparare una competenza specifica e ad alto rischio: distinguere tra un neo innocuo e un cancro pericoloso.

Ecco come l'autore, Aryan Bhagat, ha insegnato a questo robot come fare, spiegato in modo semplice:

1. Il Problema: Il Robot era Pregiudiziale e Confuso

Il robot ha affrontato due grandi ostacoli:

• Il problema dei "Troppi Nei Buoni": Nel mondo reale, la maggior parte dei nei è innocua (benigna) e pochissimi sono cancerosi (melanoma). Se presenti al robot un mucchio di foto dove 8 su 10 sono innocue, il robot diventa pigro. Inizia a indovinare "innocuo" per tutto solo per avere ragione la maggior parte delle volte. Questo è pericoloso perché ignora il cancro.
• Il problema del "Taglia Unica": Di solito, quando insegniamo un nuovo trucco a un robot, modifichiamo il suo cervello tutto in una volta. Ma l'autore ha scoperto che farlo troppo velocemente faceva dimenticare al robot le conoscenze generali che già possedeva (come vedere bordi e ombre) e lo confondeva con i nuovi dettagli specifici della pelle.

2. La Soluzione: Un "Campo di Addestramento" in Due Fasi

Inveve di lanciare il robot direttamente nel profondo, l'autore ha utilizzato un approccio di Fine-Tuning in due fasi. Immagina questo come l'addestramento di un atleta in due fasi distinte:

• Fase 1: Il Riscaldamento (Stabilizzazione della Testa)
  L'autore ha "congelato" il "cervello" del robot (la parte che vede le caratteristiche generali) in modo che non potesse cambiare. Ha addestrato solo il "decisore" (la testa di classificazione) per un breve periodo.

  • Analogia: Immagina un nuovo dipendente che sa usare un computer ma non conosce le regole specifiche dell'azienda. Nella Fase 1, insegni al dipendente solo le regole (la parte decisionale) senza lasciargli toccare ancora i macchinari complessi. Questo assicura che non si senta sopraffatto.
  • La Soluzione: Prima di questo, l'autore ha bilanciato le foto di addestramento in modo che ci fossero lo stesso numero di foto di "cancro" e "non cancro". Questo ha costretto il robot a prestare attenzione a entrambe, non solo a quelle facili di "non cancro".

• Fase 2: L'Immersione Profonda (Fine-Tuning di Tutto)
  Una volta che il decisore era stabile, l'autore ha sbloccato l'intero cervello. Ha permesso al robot di regolare l'intera rete per comprendere le foto della pelle, ma ha ridotto la velocità di apprendimento a un passo lentissimo (un "learning rate" molto basso).

  • Analogia: Ora che il dipendente conosce le regole, gli è permesso toccare i macchinari, ma gli viene detto di muoversi molto lentamente e con cura. Questo evita che danneggi accidentalmente le abilità utili apprese nel suo precedente lavoro (la conoscenza "ImageNet") mentre impara le nuove abilità specifiche della pelle.

3. I Risultati: Un Occhio Acuto

Quando hanno testato questo robot su un nuovo set di 3.826 foto della pelle che non aveva mai visto prima, i risultati sono stati impressionanti:

• Ha individuato il cancro: Ha identificato correttamente circa l'87,6% dei casi reali di melanoma. Questo è il numero più importante perché perdere un caso di cancro è l'esito peggiore.
• Non è andato in panico: Ha dichiarato correttamente "questo è sicuro" per circa l'89,1% dei nei innocui. Questo è ottimo perché significa meno persone che devono sottoporsi a biopsie (chirurgia per controllare un neo) quando non ne hanno bisogno.
• Lo "Studio di Ablazione" (La Prova): L'autore ha dimostrato che questo metodo funziona confrontando il robot con quello addestrato con il "vecchio modo" (un solo stadio). Il robot a due fasi è stato il 4% migliore nel trovare il cancro. In un gruppo di 3.800 persone, questa differenza significa individuare circa 161 casi extra di cancro che il vecchio metodo avrebbe mancato.

4. Vedere il Pensiero del Robot (Grad-CAM)

L'autore non si è limitato a fidarsi dei numeri; ha chiesto al robot di mostrare il proprio lavoro usando uno strumento chiamato Grad-CAM.

• Analogia: È come se il robot disegnasse una mappa luminosa rossa sopra la foto per mostrare esattamente dove stava guardando.
• Il Risultato: Quando il robot vedeva il cancro, la mappa rossa si concentrava sui bordi irregolari e strani del neo. Quando vedeva un neo sicuro, la mappa era più diffusa. Questo ha dimostato che il robot stava effettivamente guardando la lesione cutanea, non stava solo indovinando basandosi su rumori casuali dello sfondo come capelli o righelli nella foto.

5. Cosa Significa

L'articolo conclude che non è necessario inventare un'architettura robotica nuova e complessa per ottenere ottimi risultati. Inveve, il modo in cui insegni al robot conta di più. Utilizzando questo specifico metodo di addestramento in due fasi e assicurandosi che il robot veda le foto esattamente nello stesso modo durante l'addestramento e il test, l'autore ha creato un rilevatore altamente sensibile.

L'autore ha anche costruito un'app gratuita e funzionante (usando Streamlit) dove chiunque può caricare una foto della pelle e vedere la previsione del robot, insieme alla "mappa di calore" che mostra dove ha guardato. Tutto il codice è aperto affinché chiunque possa controllarlo e usarlo.

In breve: l'articolo dimostra che addestrando un modello di IA standard in due fasi attente invece di un unico passaggio affrettato, possiamo migliorare significamente la capacità di individuare il pericoloso cancro della pelle, evitando al contempo falsi allarmi.