Melanoma Detection Using Deep Convolutional Neural Networks: Architectures, Datasets, and Performance
Dit artikel presenteert een systematische review van deep convolutional neural network-architecturen, datasets en preprocessingsstrategieën voor automatische melanoomdetectie, waarbij hun hoge nauwkeurigheid en huidige uitdagingen zoals klassenimbalans en interpreteerbaarheid, evenals toekomstige richtingen zoals federated learning en hybride modellen, worden belicht.
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 te zoeken naar voetstappen of vingerafdrukken, kijk je naar kleine, kleurrijke kaarten die op de menselijke huid zijn geschilderd. Dit is de wereld van de dermatologie, waar artsen jagen op melanoma, een gevaarlijk type huidkanker dat dodelijk kan zijn als het zich verspreidt. Lange tijd hing het oplossen van dit mysterie volledig af van de ogen en de ervaring van een arts. Maar menselijke ogen kunnen moe worden, en verschillende artsen kunnen dezelfde plek anders zien. Maak kennis met de nieuwe detectives: Kunstmatige Intelligentie (AI) en iets dat Deep Learning wordt genoemd. Zie Deep Learning als een superintelligente student die miljoenen foto's van de huid heeft bestudeerd. In plaats van te worden onderwezen in specifieke regels zoals "zoek naar een zwarte stip", leert deze student zelfstandig patronen te herkennen, laag voor laag, net zoals een kind leert een kat te herkennen door veel verschillende katten te zien. Dit artikel is een enorme rapportcijferlijst voor deze AI-detectives, die controleert hoe goed ze presteren bij het opsporen van de boeven voordat ze problemen veroorzaken.
Het artikel zelf is een systematische review, wat lijkt op een bibliothecaris die elke belangrijke boek die tussen 2021 en 2026 is geschreven over hoe AI "Convolutional Neural Networks" (CNN's) gebruikt om melanoma te vinden, verzamelt. Een CNN is slechts een chique naam voor een type computerbrein dat specifiek is ontworpen om naar afbeeldingen te kijken. De auteurs hebben niet zomaar geraden; ze hebben 14 specifieke studies bekeken om te zien welke computerbreinen het beste werkten, welke foto's ze bestudeerden en hoe nauwkeurig ze waren. Ze ontdekten dat de beste AI-modellen ongelooflijk goed worden in deze taak. Sterker nog, sommige van deze digitale detectives behalen nauwkeurigheidspercentages van wel 95,2% en scoren 95,75% op een test genaamd AUC (die meet hoe goed de AI het verschil kan zien tussen een onschuldige moedervlek en een gevaarlijke een). Dat is een niveau van vaardigheid dat wedijvert met, en soms zelfs beter is dan, ervaren menselijke artsen in gecontroleerde tests.
De tekst is echter zeer voorzichtig om niet te zeggen dat het mysterie volledig is opgelost. Er wordt op gewezen dat hoewel deze AI-modellen kampioenen zijn in de "trainingsgym" (het gebruik van specifieke, schone datasets zoals HAM10000), ze nog niet volledig bewezen hebben dat ze de rommelige, echte wereld aankunnen. Een van de grootste hindernissen is dat de trainingsdata vaak uit balans is; stel je een klas voor waar 67% van de leerlingen onschuldige moedervlekken zijn en slechts 11% melanoma. De AI wordt zo goed in het opsporen van de onschuldige varianten dat hij soms de gevaarlijke mist, wat een risicovolle fout is. Het artikel merkt ook op dat de meeste van deze modellen alleen zijn getest op mensen met een lichtere huid, wat betekent dat ze misschien minder goed werken voor mensen met een donkere huidskleur. Dit is een serieuze kloof, als een detective die geweldig is in het oplossen van misdaden in de ene buurt, maar faalt in een andere.
De review heeft ook verschillende soorten AI-architecturen getest (de "blauwdrukken" voor de computerbreinen). Ze ontdekten dat hoewel grotere, complexere blauwdrukken zoals NASNet Large indrukwekkend klinken, ze niet altijd winnen. In één geval presteerde een kleiner, lichter model genaamd NASNet Mobile eigenlijk beter dan zijn reusachtige broer, waarschijnlijk omdat de reus in de war raakte door de beperkte hoeveelheid data. Het artikel suggereert dat de "ResNeXt"-blauwdruk momenteel een van de sterkste kandidaten is, omdat deze een geweldige balans biedt tussen snelheid en nauwkeurigheid. Het benadrukt ook dat het combineren van afbeeldingen met andere informatie, zoals de leeftijd van een patiënt of de locatie van de plek, de AI een licht voordeel geeft, vergelijkbaar met een detective die een getuigenverklaring krijgt bij het fotobewijs.
Ondanks deze hoge scores waarschuwen de auteurs ons dat een hoge score op een test niet betekent dat de AI klaar is voor het ziekenhuis. Het artikel stelt dat we voorzichtig moeten zijn met "overfitting", wat gebeurt wanneer een student de antwoorden van de oefentoets perfect uit het hoofd leert, maar faalt op het echte examen omdat de vragen er iets anders uitzien. Om dit op te lossen, stelt het artikel toekomstige richtingen voor zoals "Federated Learning", waarbij ziekenhuizen de AI samen kunnen onderwijzen zonder privéfoto's van patiënten te delen (waardoor ieders geheimen veilig blijven), en "Explainability" (uitlegbaarheid), wat betekent dat de AI zijn werk moet laten zien door precies aan te geven welk deel van de huid hem nerveus maakte. Het artikel concludeert dat hoewel we enkele geweldige hulpmiddelen hebben gebouwd, we nog steeds meer diverse data, betere tests in de echte wereld en duidelijkere regels nodig hebben om ervoor te zorgen dat deze digitale detectives eerlijk, veilig en klaar zijn om artsen te helpen levens redden.
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.