A Neuro-Symbolic Fuzzy Rule-based Approach forMelanoma Classification
Questo articolo propone un framework neuro-simbolico basato su regole fuzzy che integra la stima degli attributi dermoscopici tramite deep learning con regole cliniche estratte automaticamente per migliorare l'accuratezza e l'interpretabilità della classificazione del melanoma rispetto agli approcci di deep learning basati esclusivamente sull'immagine.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Immagina di essere un detective che cerca di risolvere un mistero, ma invece di una scena del crimine, stai osservando un piccolo e complicato segno sulla pelle di qualcuno. Il mistero? Questo segno è un neo innocuo o un pericoloso tumore cutaneo chiamato melanoma. Per molto tempo, i medici sono stati i detective, usando i loro occhi e la loro esperienza per cercare indizi specifici, come schemi o colori insoliti. Ma ultimamente, i computer si sono uniti alla forza di polizia. Questi computer a "deep learning" sono come super-scansionatori capaci di guardare migliaia di immagini e individuare schemi che gli esseri umani potrebbero mancare. Tuttavia, c'è un problema: questi super-computer sono spesso delle "black box" (scatole nere). Ti danno una risposta, ma non possono spiegare davvero perché pensano che sia pericoloso. Dicono solo: "Fidati di me, è brutto". Questo è rischioso perché in medicina, conoscere il motivo è importante quanto la risposta stessa.
Per risolvere questo problema, gli scienziati stanno cercando di insegnare ai computer a pensare più come i medici umani, usando un mix di logica "neuro-simbolica". Pensa al termine "neuro" come alla capacità del computer di imparare dalle immagini (come uno studente che studia con le flashcard) e al termine "simbolico" come alla capacità di seguire regole chiare (come uno studente che segue una checklist di un libro di testo). Ma la pelle non è sempre in bianco o nero; un indizio potrebbe essere "quasi presente" o "più o meno assente". È qui che entra in gioco la "logica fuzzy" (logica sfumata). Invece di un semplice interruttore on/off, la logica fuzzy usa un dimmer (un regolatore di luminosità), permettendo a un indizio di essere "presente al 50%" o "presente all'80%". Questo articolo parla della costruzione di un nuovo tipo di detective che combina la super-vista di un computer che scansiona immagini con le regole chiare ed esplicabili di un medico, utilizzando i dimmer fuzzy per gestire le zone d'ombra della diagnosi del melanoma.
I ricercatori, Mohamed Amine Ibrahimi e Umberto Straccia, si sono posti l'obiettivo di costruire questo sistema detective ibrido. Hanno iniziato raccogliendo due diversi set di immagini della pelle e relative note (chiamati dataset PH2 e Derm7pt) e fondendoli in una grande libreria coerente. Si sono assicurati che gli "indizi" nelle note — come "rete pigmentaria" o "velo blu-biancastro" — fossero descritti nello stesso modo in entrambi i set. Poi, hanno insegnato a un potente modello computazionale (chiamato EfficientNet-B3) a guardare le immagini della pelle e a indovinare quanto fosse forte ogni indizio. Invece di dire semplicemente "rete pigmentaria: sì", il computer ha fornito un punteggio da 0 a 1, come un dimmer, mostrando quanto quell'indizio fosse visibile.
Successivamente, hanno preso questi punteggi fuzzy e li hanno inseriti in un insieme di regole che hanno estratto automaticamente dai dati. Queste regole sono come semplici istruzioni "Se-Allora" che un medico potrebbe usare. Per esempio, una regola potrebbe dire: "SE il velo blu-biancastro è assente E la rete pigmentaria è assente, ALLORA è probabile che NON sia un melanoma". Ma poiché gli indizi sono fuzzy (regolatori di luminosità), il computer utilizza una matematica speciale (chiamata operatori fuzzy) per combinare questi punteggi. Hanno testato diversi modi per combinare la matematica, come il metodo "Hamacher", che agisce come un miscelatore fluido per gli indizi.
Il team ha scoperto che questo approccio "mix e match" funzionava meglio rispetto al semplice guardare le immagini da sole. Quando hanno testato il sistema in uno scenario del "mondo reale", dove il computer doveva indovinare gli indizi dall'immagine stessa (senza l'aiuto delle note di un medico), la migliore configurazione è stata una strategia di "late fusion" (fusione tardiva). Questo è come avere due detective: uno che guarda l'immagine e uno che controlla il libro delle regole. Ognuno dà la propria opinione, e poi un capo le combina. L'articolo ha scoperto che quando hanno combinato la previsione basata sull'immagine con la previsione basata sulle regole usando un peso specifico (dove la parte basata sull'immagine contava per il 60% della decisione finale), il sistema è diventato molto più bravo a individuare il melanoma. L'accuratezza è passata da circa l'81,8% del detective basato solo sulle immagini all'86,7% del lavoro di squadra.
Interessante è anche il fatto che l'articolo ha mostrato che, anche se si addestra il computer con note mediche perfette, esso ottiene prestazioni migliori quando utilizza questo metodo di "late fusion" per combinare la sua visione delle immagini con le regole fuzzy. La parte del ragionamento fuzzy da sola (senza il computer delle immagini) era comunque piuttosto buona, raggiungendo un'accuratezza di circa l'85,9%, dimostrando che le regole stesse sono potenti. Tuttavia, gli autori sottolineano con cautela che questa è una suggestione basata sui loro test specifici con questi due dataset, che sono relativamente piccoli. Non pretendono di aver risolto per sempre la diagnosi del melanoma. Inveve, suggeriscono che aggiungere queste regole fuzzy e chiare al deep learning rende il computer più intelligente e affidabile. Lo studio conclude che, sebbene il loro nuovo metodo sia promettente, deve essere testato su gruppi di pazienti molto più ampi e diversificati prima di poter essere pienamente affidato a un ospedale reale.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.