A Neuro-Symbolic Fuzzy Rule-based Approach forMelanoma Classification
Dit artikel stelt een neuro-symbolisch fuzzy regelgebaseerd framework voor dat op deep learning gebaseerde dermoscopische attribuutestimatie integreert met automatisch geëxtraheerde klinische regels om de nauwkeurigheid en interpreteerbaarheid van melanoomclassificatie te verbeteren in vergelaling met alleen op afbeeldingen gebaseerde deep learning-benaderingen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een detective bent die een mysterie probeert op te lossen, maar in plaats van een plaats delict, kijk je naar een piepklein, lastig plekje op iemands huid. Het mysterie? Is dit een onschuldig moedervlekje of een gevaarlijke vorm van huidkanker genaamd melanoom? Lange tijd waren artsen de detectives, die hun ogen en ervaring gebruikten om naar specifieke aanwijzingen te kijken, zoals vreemde patronen of kleuren. Maar de laatste tijd zijn computers zich bij de politie gevoegd. Deze "deep learning"-computers zijn als supersnelle scanners die duizenden foto's kunnen bekijken en patronen kunnen ontdekken die mensen misschien missen. Maar er is een addertje onder het gras: deze supercomputers zijn vaak "black boxes". Ze geven je een antwoord, maar ze kunnen niet echt uitleggen waarom ze denken dat het gevaarlijk is. Ze zeggen gewoon: "Vertrouw me, het is slecht." Dit is riskant, want in de geneeskunde is weten wat de reden is net zo belangrijk als het antwoord zelf.
Om dit op te lossen, proberen wetenschappers computers te leren denken als menselijke artsen, met behulp van een mix van "neuro-symbolische" logica. Denk hierbij aan "neuro" als het vermogen van de computer om te leren van afbeeldingen (zoals een student die flitskaarten bestudeert) en "symbolisch" als het vermogen om duidelijke regels te volgen (zoals een student die een tekstboek met een checklist volgt). Maar de huid is niet altijd zwart-wit; een aanwijzing kan er "een beetje zijn" of "grotendeels ontbreken". Dat is waar "fuzzy logic" (vage logica) in beeld komt. In plaats van een simpele aan/uit-schakelaar, gebruikt fuzzy logic een dimschakelaar, waardoor een aanwijzing "50% aanwezig" of "80% aanwezig" kan zijn. Dit artikel gaat over het bouwen van een nieuw soort detective die de super-zichtkracht van een beeldscannende computer combineert met de duidelijke, uitlegbare regels van een arts, waarbij dimschakelaars worden gebruikt om de grijze gebieden in de diagnose van huidkanker op te vangen.
De onderzoekers, Mohamed Amine Ibrahimi en Umberto Straccia, zetten zich scharpe om dit hybride detectivesysteem te bouwen. Ze begonnen met het verzamelen van twee verschillende sets huidfoto's en aantekeningen (de PH2 en Derm7pt datasets) en voegden deze samen tot één grote, consistente bibliotheek. Ze zorgden ervoor dat de "aanwijzingen" in de aantekeningen — zoals "pigmentnetwerk" of "blauw-witachtig sluier" — in beide sets op dezelfde manier werden beschreven. Vervolgens leerden ze een krachtig computermodel (genaamd EfficientNet-B3) om naar de huidfoto's te kijken en te raden hoe sterk elke aanwijzing aanwezig was. In plaats van alleen te zeggen "pigmentnetwerk: ja", gaf de computer een score van 0 tot 1, zoals een dimschakelaar, om aan te geven hoeveel van die aanwijzing zichtbaar was.
Vervolgens namen ze deze fuzzy scores en voedden ze deze aan een reeks regels die ze automatisch uit de data hebben gehaald. Deze regels zijn als eenvoudige "Als-Dan"-beweringen die een arts zou kunnen gebruiken. Bijvoorbeeld, een regel zou kunnen zeggen: "ALS de blauw-witachtige sluier afwezig is EN het pigmentnetwerk afwezig is, DAN is het waarschijnlijk NIET een melanoom." Maar omdat de aanwijzingen fuzzy zijn (dimschakelaars), gebruikt de computer speciale wiskunde (genaamd fuzzy operators) om deze scores te combineren. Ze testten verschillende manieren om de wiskunde te combineren, zoals de "Hamacher"-methode, die werkt als een vloeiende mixer voor de aanwijzingen.
Het team ontdekte dat deze mix-en-match-aanpak beter werkte dan alleen naar de foto's kijken. Wanneer ze het systeem testten in een "real-world" scenario waarbij de computer de aanwijzingen uit de foto zelf moest raden (zonder hulp van de aantekeningen van een arts), was de beste opstelling een "late fusion"-strategie. Dit is als het hebben van twee detectives: één die naar de foto kijkt en één die het regelboek controleert. Beiden geven hun eigen mening, en dan combineert een baas deze. Het onderzoek vond dat wanneer ze de beeldgebaseerde gok combineerden met de regelgebaseerde gok met een specifieke weging (waarbij het beeldgebaseerde deel voor 60% meetelde voor de uiteindelijke beslissing), het systeem veel beter werd in het opsporen van melanoom. De nauwkeurigheid sprong van ongeveer 81,8% voor de alleen-op-afbeeldingen werkende detective naar 86,7% voor het teamwerk.
Interessant genoeg toonde het artikel ook aan dat zelfs als je de computer traint met perfecte artsennotities, het nog steeds het beste presteert wanneer het deze "late fusion"-methode gebruikt om zijn beeldzicht te combineren met de fuzzy regels. Het fuzzy redeneergedeelte alleen (zonder de beeldcomputer) was ook behoorlijk goed en bereikte een nauwkeurigheid van ongeveer 85,9%, wat bewijst dat de regels zelf krachtig zijn. De auteurs merken echter voorzichtig op dat dit een suggestie is op basis van hun specifieke tests met deze twee datasets, die relatief klein zijn. Ze beweren niet dat ze de diagnose van huidkanker voor altijd hebben opgelost. In plaats daarvan suggereren ze dat het toevoegen van deze duidelijke, fuzzy regels aan deep learning de computer slimmer en betrouwbaarder maakt. De studie concludeert dat hoewel hun nieuwe methode veelbelovend is, deze getest moet worden op veel grotere en diversere patiëntengroepen voordat deze volledig vertrouwd kan worden in een echte ziekenhuisomgeving.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.