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

Huidkanker is een groeiende wereldwijde gezondheidsuitdaging, waarbij de meest voorkomende vormen verschijnen als donkere vlekken, verhoogde bultjes of onregelmatige plekken op de huid. Vroege detectie van deze aandoeningen is essentieel, omdat dit de kansen op een volledig herstel van een patiënt drastisch verbetert. Decennialang hebben artsen vertrouwd op hun ogen en ervaring om deze waarschuwingssignalen te herkennen, maar menselijk oordeel kan van arts tot arts verschillen, en de visuele verschillen tussen een onschuldige moedervlek en een gevaarlijke tumor kunnen subtiel zijn. In de afgelopen jaren is een tak van kunstmatige intelligentie, bekend als deep learning, opgekomen als een krachtig hulpmiddel om bij deze taak te assisteren. Deze computersystemen leren door duizenden medische afbeeldingen te bestuderen, waarbij ze geleidelijk de complexe patronen herkennen die gezonde huid van ziekte onderscheiden. Het doel is niet om de arts te vervangen, maar om een betrouwbare tweede mening te bieden die kan opmerken wat anders wellicht over het hoofd zou worden gezien, vooral in gebieden waar gespecialiseerde zorg moeilijk bereikbaar is.

Een team van onderzoekers heeft nu een nieuw systeem ontwikkeld dat ontworpen is om deze technologie sneller, nauwkeuriger en klaar voor gebruik in de echte wereld te maken. Hun werk richt zich op een specifiek type architectuur voor kunstmatige intelligentie genaamd EfficientNetV2-S, die fungeert als het brein van het systeem. Om dit brein nog scherper te maken, voegden de onderzoekers speciale aandachtmechanismen toe, die functioneren als een spotlight die de computer helpt te focussen op de belangrijkste details van een huidlaesie terwijl irrelevante achtergrondruis wordt genegeerd. Ze trainden dit systeem met behulp van een enorme collectie van meer dan 14.000 dermoscopische afbeeldingen—sterk vergrote foto's van de huid genomen met een speciale camera. Voordat ze deze afbeeldingen aan de computer voerden, hebben de onderzoekers ze opgeschoond door afleidende elementen zoals haar of liniaaltekens te verwijderen en het contrast te verbeteren, zodat de randen van de vlekken duidelijker werden. Ze besteedden ook zorg aan het balanceren van de data, om ervoor te zorgen dat de computer genoeg voorbeelden zag van zeldzame, gevaarlijke kankers om te leren hoe hij deze kan herkennen, in plaats van alleen de veelvoorkomende, onschadelijke soorten.

Het trainingsproces was een zorgvuldig uitgevoerde, gefaseerde inspanning. Eerst leerde de computer de basisprincipes met behulp van de nieuwe afbeeldingen, en daarna kreeg het de mogelijkheid om zijn begrip te verfijnen door naar de diepere lagen van zijn eigen kennis te kijken. Om te voorkomen dat het systeem de trainingsafbeeldingen te perfect uit het hoofd leert—een fout die zou betekenen dat het faalt bij nieuwe foto's—gebruikten de onderzoekers een techniek waarbij verschillende afbeeldingen tijdens het leren door elkaar werden gehusseld, waardoor het systeem wordt gedwongen de onderliggende concepten te begrijpen in plaats van alleen de specifieke pixels. Ze pasten ook de interne regels van het systeem aan om extra aandacht te besteden aan de moeilijkste gevallen, met name de gevaarlijke melanoom, om er zeker van te zijn dat deze niet werden overgeslagen. Wanneer het systeem werd getest op afbeeldingen die het nog nooit eerder had gezien, inclusief gegevens uit twee andere grote medische databases, behaalde het een nauwkeurigheidspercentage van meer dan 97 procent. Het identificeerde correct de drie belangrijkste soorten huidlaesies waarvoor het was ontworpen: melanoom, basaalcelcarcinoom en melanocytaire naevi.

Wat dit werk onderscheidt, is niet alleen de hoge score, maar ook hoe het systeem is gebouwd om buiten een laboratorium bruikbaar te zijn. De onderzoekers hebben hun getrainde model verpakt in een mobiele applicatie die op standaard smartphones draait. In deze opstelling kan een gebruiker een foto maken van een verdachte plek, en de afbeelding wordt veilig naar een server gestuurd waar de computer het in slechts iets meer dan één seconde analyseert. De app geeft vervolgens een resultaat terug met een betrouwbaarheidsscore, wat fungeert als een hulpmiddel voor besluitvorming voor zowel patiënten als artsen. De onderzoekers benadrukken dat dit hulpmiddel is ontworpen om te assisteren, en niet om een professionele medische diagnose te vervangen. Door een zeer efficiënt computermodel te combineren met een praktische mobiele interface, hebben de onderzoekers aangetoond dat geavanceerde kunstmatige intelligentie toegankelijk kan worden gemaakt voor onmiddellijk gebruik in klinieken of afgelegen gebieden. De studie suggereert dat, met verdere tests op diverse patiëntengroepen en integratie in medische workflows, dergelijke systemen een standaard onderdeel kunnen worden van de vroege detectie van huidkanker, wat levens kan redden door ziekte eerder te ontdekken.