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

Immagina che il tuo viso sia una mappa complessa e multistrato. Di solito, quando guardiamo la foto della pelle di qualcuno, stiamo usando una fotocamera standard che vede il mondo in "RGB": Rosso, Verde e Blu. È come guardare una mappa con un unico strato piatto di inchiostro. Puoi vedere le grandi strade e le città principali, ma perdi i tunnel sotterranei nascosti, i tunnel segreti e le sottili texture che giacciono proprio sotto la superficie. Nel mondo della dermatologia, questa visione piatta rende difficile individuare cose come macchie di pigmentazione profonda, la struttura del collagene o quanto la pelle sia sensibile alla luce senza l'occhio esperto di un medico o macchine costose e ingombranti.

Per risolvere questo problema, gli scienziati hanno iniziato a usare l'imaging a "multi-luce". Pensa a questo come a illuminare una stanza buia con diverse torce colorate per rivelare ciò che è invisibile nel buio. Alcune luci rimbalzano sulla superficie per mostrare l'olio, mentre altre penetrano in profondità per most far vedere macchie o rughe. Combinando queste diverse "torce", otteniamo una visione tridimensionale dei segreti della pelle. L'obiettivo? Insegnare a un computer di guardare queste foto speciali e dirci automaticamente esattamente quanto è sana la nostra pelle, senza che sia necessario un esperto umano che socchiuda gli occhi e indovini. È qui che entra in gioco l'Intelligenza Artificiale (IA), agendo come un detective super veloce capace di imparare a leggere questi complessi schemi di luce.

Questo articolo è uno "studio di fattibilità", un modo elegante per dire che i ricercatori si stanno chiedendo: "Possiamo costruire un cervello artificiale piccolo ed efficiente che utilizzi queste foto multi-luce per prevedere accuratamente 13 diverse condizioni cutanee?". Non hanno usato solo un tipo di luce; ne hanno usati otto diversi, inclusi bianco, blu, rosso, marrone, UV e persino luci polarizzate speciali che agiscono come occhiali da sole per la fotocamera. Hanno scattato foto a 211 persone, catturando in totale 1.688 immagini, e le hanno accoppiate con misurazioni reali di tratti cutanei come sebo (olio), pori, rughe, acne e occhiaie.

Il team ha costruito un modello di IA leggero basato su qualcosa chiamato MobileNetV2. Puoi pensare a questo modello come a un detective molto intelligente, ma molto compatto. Invece di essere un computer gigante e pesante che ha bisogno di un magazzino per funzionare, questo è progettato per essere veloce ed efficiente, come un detective che può risolvere un caso in un bar piuttosto che in un laboratorio ad alta tecnologia. L'IA è stata addestrata per guardare le otto foto a luce diversa per ogni persona e cercare di indovinare i numeri per tutti i 1l 13 parametri della pelle contemporaneamente. È come chiedere al detective di guardare un sospettato sotto otto diversi riflettori colorati e scrivere immediatamente un rapporto sulla sua altezza, peso, umore e numero di scarpe, tutto nello stesso momento.

I risultati, tuttavia, raccontano una storia di "buon potenziale, ma non ancora del tutto raggiunto". I ricercatori hanno scoperto che l'IA era sorprendentemente brava a individuare alcune cose, come "macchie", "pigmento" e "fibre di collagene". Per questi tratti, il modello poteva fare previsioni che corrispondevano in parte alle misurazioni reali. Tuttavia, per altri tratti, l'IA ha incontrato difficoltà significative. Quando si trattava di prevedere il "sebo" (olio) o le "occhiaie", le previsioni del modello erano quasi casuali, appena migliori di una semplice media per tutti. Il documento nota esplicitamente che il modello non è riuscito a imparare i pattern per questi specifici tratti, probabilmente perché i dati erano sbilanciati: la maggior parte delle persone aveva quantità simili di olio o occhiaie, quindi l'IA non riusciva a trovare abbastanza varietà da cui imparare.

Gli autori sono molto chiari su ciò che questo studio dimostra e su ciò che non dimostra. Non sostengono affatto di aver risolto il problema dell'analisi automatica della pelle. Anzi, sostengono che un modello semplice e leggero non possa gestire facilmente tutti i parametri cutanei in questo momento. Lo studio suggerisce che, sebbene l'imaging a multi-luce fornisca informazioni più ricche rispetto alle foto standard, non basta semplicemente alimentare un'IA di base con questi dati. La "distribuzione non uniforme" dei dati (dove alcuni tipi di pelle erano rari e altri comuni) ha confuso il modello, e la natura "leggera" dell'IA ha fatto sì che non potesse estrarre le caratteristiche sottili necessarie per tratti difficili come l'oleosità.

In definitiva, questo articolo serve come linea di base — un punto di partenza su una mappa. Mostra che l'approccio multi-luce è una direzione promettente che offre molte più informazioni visive rispetto alle fotocamere standard, ma evidenzia anche che abbiamo bisogno di dataset molto più ampi e bilanciati e di tecniche di IA più intelligenti per far sì che questo funzioni in modo affidabile. Gli autori concludono che, sebbene l'idea sia fattibile, la tecnologia attuale è ancora nelle sue fasi iniziali e che la ricerca futura deve concentrarsi sul correggere questi squilibri nei dati e sul migliorare il modo in cui l'IA fonde queste diverse sorgenti luminose prima di poter fidarsi di essa per fornire un rapporto perfetto sulla pelle.