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

Il tumore della pelle è una sfida sanitaria globale in crescita, con le forme più comuni che si presentano sotto forma di macchie scure, protuberanze rilevate o chiazze irregolari sulla pelle. Rilevare queste condizioni precocemente è vitale, poiché migliora drasticamente le possibilità di un recupero completo per il paziente. Per decenni, i medici si sono affidati ai propri occhi e alla propria esperienza per individuare questi segnali di avvertimento, ma il giudizio umano può variare da un medico all'altro, e le differenze visive tra un neo innocuo e un tumore pericoloso possono essere sottili. Negli ultimi anni, un ramo dell'intelligenza artificiale noto come deep learning è emerso come uno strumento potente per assistere in questo compito. Questi sistemi informatici imparano studiando migliaia di immagini mediche, riconoscendo gradualmente i complessi schemi che distinguono la pelle sana dalla malattia. L'obiettivo non è sostituire il medico, ma fornire un secondo parere affidabile che possa cogliere ciò che altrimenti potrebbe sfuggire, specialmente nelle aree in cui l'assistenza specialistica è difficile da raggiungere.

Un team di ricercatori ha ora sviluppato un nuovo sistema progettato per rendere questa tecnologia più veloce, più accurata e pronta per l'uso nel mondo reale. Il loro lavoro si concentra su un tipo specifico di architettura di intelligenza artificiale chiamato EfficientNetV2-S, che funge da cervello del sistema. Per rendere questo cervello ancora più acuto, i ricercatori hanno aggiunto speciali meccanismi di attenzione, che funzionano come un riflettore che aiuta il computer a concentrarsi sui dettagli più importanti di una lesione cutanea ignorando il rumore di fondo irrilevante. Hanno addestrato questo sistema utilizzando una vasta collezione di oltre 14.000 immagini dermoscopiche — immagini altamente ingrandite della pelle scattate con una telecamera speciale. Prima di fornire queste immagini al computer, il team le ha pulite rimuovendo elementi di distrazione come capelli o segni di righelli e migliorando il contrasto in modo che i bordi delle macchie fossero più chiari. Si sono inoltre occupati di bilanciare i dati, assicurandosi che il computer vedesse abbastanza esempi di tumori rari e pericolosi per imparare come individuarli, piuttosto che solo quelli comuni e innocui.

Il processo di addestramento è stato uno sforzo meticolosamente strutturato. Per prima cosa, il computer ha imparato le basi utilizzando le nuove immagini, e poi gli è stato permesso di perfezionare la sua comprensione esaminando gli strati più profondi della propria conoscenza. Per evitare che il sistema memorizzasse le immagini di addestramento troppo perfettamente — un errore che lo farebbe fallire su nuove foto — i ricercatori hanno utilizzato una tecnica che mescolava diverse immagini durante l'apprendimento, costringendo il sistema a comprendere i concetti sottostanti piuttosto che solo i pixel specifici. Hanno anche regolato le regole interne del sistema per prestare un'attenzione extra ai casi più difficili, in particolare al melanoma pericoloso, assicurandosi che non li trascurasse. Quando testato su immagini che non aveva mai visto prima, incluse le immagini provenienti da altri due grandi database medici, il sistema ha raggiunto un tasso di accuratezza superiore al 97 percento. Ha identificato correttamente i tre tipi principali di lesioni cutanee che era stato progettato per trovare: melanoma, carcinoma basocellulare e nevi melanocitici.

Ciò che distingue questo lavoro non è solo il punteggio elevato, ma come il sistema sia stato costruito per essere utile al di fuori di un laboratorio. I ricercatori hanno inserito il loro modello addestrato in un'applicazione mobile che funziona su smartphone standard. In questa configurazione, un utente può scattare una foto di un punto sospetto e l'immagine viene inviata in modo sicuro a un server dove il computer la analizza in poco più di un secondo. L'app restituisce quindi un risultato con un punteggio di confidenza, agendo come uno strumento di supporto decisionale sia per i pazienti che per i medici. I ricercatori sottolineano che questo strumento è progettato per assistere, non per sostituire, la diagnosi medica professionale. Combinando un modello informatico altamente efficiente con un'interfaccia mobile pratica, il team ha dimostrato che l'intelligenza artificiale avanzata può essere resa accessibile per l'uso immediato in cliniche o aree remote. Lo studio suggerisce che, con ulteriori test su gruppi di pazienti diversificati e l'integrazione nei flussi di lavoro medici, tali sistemi potrebbero diventare una parte standard della rilevazione precoce del tumore della pelle, aiutando a salvare vite col fine di cogliere la malattia prima.