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

Stel je voor dat je een zeer slimme, veelgereisde robot (genaamd ResNet50) probeert te leren hoe hij een gevaarlijke huidaandoening genaamd melanoom in foto's van de huid kan herkennen. Deze robot heeft al miljoenen gewone foto's gezien (zoals katten, auto's en bomen) en is een expert in het herkennen van algemene vormen en kleuren. Maar nu moet hij een zeer specifieke, cruciale vaardigheid leren: het verschil zien tussen een onschuldige moedervlek en een gevaarlijke kanker.

Hier is hoe de auteur, Aryan Bhagat, deze robot dit heeft geleerd, eenvoudig uitgelegd:

1. Het Probleem: De Robot was Bevooroordeeld en Verward

De robot liep tegen twee grote hindernissen aan:

• Het "Te Veel Goede Moedervlekken" Probleem: In de echte wereld zijn de meeste moedervlekken onschuldig (benigne) en zijn er zeer weinig met kanker (melanoom). Als je de robot simpelweg een stapel foto's laat zien waarbij 8 van de 10 onschuldig zijn, wordt hij lui. Hij begint alles als "onschuldig" te gokken om maar meestal gelijk te hebben. Dit is gevaarlijk omdat hij de kanker mist.
• Het "One-Size-Fits-All" Probleem: Normaal gesproken, wanneer we een robot een nieuwe truc leren, passen we zijn brein in één keer aan. Maar de auteur ontdekte dat het te snel doen hiervan ervoor zorgde dat de robot zijn algemene kennis (zoals het zien van randen en schaduwen) vergat en in de war raakte door de nieuwe, specifieke details van de huid.

2. De Oplossing: Een Tweestaps "Bootcamp"

In plaats van de robot direct in het diepe water te werpen, gebruikte de auteur een Two-Stage Fine-Tuning benadering. Denk aan het trainen van een atleet in twee duidelijke fasen:

• Fase 1: De Opwarming (Het Stabiliseren van de Kop)
  De auteur bevroor het "brein" van de robot (het deel dat algemene kenmerken ziet) zodat dit niet kon veranderen. Ze trainden alleen de "beslisser" (de classificatiekop) voor een korte tijd.

  • Analogie: Stel je een nieuwe werknemer voor die weet hoe hij een computer moet gebruiken, maar de specifieke regels van het bedrijf nog niet kent. In Fase 1 leer je hen alleen de regels (het besluitvormingsgedeelte) zonder dat ze al aan de complexe machines mogen komen. Dit zorgt ervoor dat ze niet overweldigd raken.
  • De Fix: Voordat dit gebeurde, balanceerde de auteur de trainingsfoto's zodat er evenveel foto's van "kanker" als van "geen kanker" waren. Dit dwong de robot om aandacht te besteden aan beide, niet alleen aan de makkelijke "geen kanker" gevallen.

• Fase 2: De Diepe Duik (Fine-Tuning van Alles)
  Zodra de beslisser stabiel was, ontdooide de auteur het hele brein. Ze lieten de robot zijn volledige netwerk aanpassen om huidfoto's te begrijpen, maar ze draaiden de leersnelheid omlaag naar een kruipend tempo (een zeer lage "learning rate").

  • Analogie: Nu de werknemer de regels kent, mag hij de machines aanraken, maar krijgt hij de instructie om heel langzaam en voorzichtig te bewegen. Dit voorkomt dat hij per ongeluk de nuttige vaardigheden die hij in zijn vorige baan leerde (de "ImageNet" kennis) beschadigt terwijl hij de nieuwe huidspecifieke vaardigheden leert.

3. De Resultaten: Een Scherpe Blik

Wanneer ze deze robot testten op een volledig nieuwe set van 3.826 huidfoto's die hij nog nooit had gezien, waren de resultaten indrukwekkend:

• Hij ving de kanker: Hij identificeerde ongeveer 87,6% van de werkelijke gevallen van melanoom correct. Dit is het belangrijkste getal, want het missen van een geval van kanker is de slechtste uitkomst.
• Hij raakte niet in paniek: Hij zei ook ongeveer 89,1% van de onschuldige moedervlekken correct dat ze "veilig" waren. Dit is geweldig, omdat het betekent dat er minder mensen onnodige biopten (operaties om een moedervlek te controleren) nodig hebben wanneer dat niet nodig is.
• De "Ablation Study" (Het Bewijs): De auteur bewees dat deze methode werkte door de robot te vergelijken die op de "oude manier" werd getraind (slechts één fase). De tweestaps-robot was 4% beter in het vinden van kanker. In een groep van 3.800 mensen betekent dat verschil het vangen van ongeveer 161 extra gevallen van kanker die de oude methode zou hebben gemist.

4. Zien hoe de Robot Denkt (Grad-CAM)

De auteur vertrouwde niet alleen op de cijfers; ze vroegen de robot om zijn werk te laten zien met een hulpmiddel genaamd Grad-CAM.

• Analogie: Het is also kind dat de robot een gloeiende rode kaart over de foto tekent om aan te geven waar hij precies naar keek.
• Het Resultaat: Wanneer de robot kanker zag, concentreerde de rode kaart zich op de vreemde, onregelmatige randen van de moedervlek. Wanneer hij een veilige moedervlek zag, was de kaart meer verspreid. Dit bewees dat de robot daadwerkelijk naar de huidlaesie keek, en niet zomaar gokte op basis van willekeurige achtergrondruis zoals haar of linialen in de foto.

5. Wat dit Betekent

De paper concludeert dat je geen gloednieuwe, complexe robotarchitectuur nodig hebt om geweldige resultaten te behalen. In plaats daarvan maakt de manier waarop je de robot traint het uit. Door deze specifieke tweestaps-trainingsmethode te gebruiken en ervoor te zorgen dat de robot de foto's tijdens de training en de test op exact dezelfde manier ziet, creëerde de auteur een zeer gevoelige detector.

De auteur heeft zelfs een gratis, werkende app gebouwd (met Streamlit) waar iedereen een huidfoto kan uploaden en de voorspelling van de robot kan zien, samen met de "heatmap" die laat zien waar hij naar keek. Alle code is openbaar beschikbaar voor iedereen om te controleren of te gebruiken.

Kortom: Het artikel laat zien dat door een standaard AI-model in twee zorgvuldige stappen te trainen in plaats van in één gehaaste stap, we het vermogen aanzienlijk kunnen verbeteren om gevaarlijke huidkanker te ontdekken, terwijl we onnodige alarmen voorkomen.