General-Purpose Vision Models to Dermatology-Specific Foundation Models: Comparative Evaluation for Facial Skin Disease Classification
Deze studie presenteert een systematische evaluatie van zeven vooraf getrainde visuele representaties voor classificatie van zes klassen huidziekten van het gezicht, waarbij wordt aangetoond dat het Derm Foundation-model in combinatie met een XGBoost-classifier superieure prestaties levert (88,17% nauwkeurigheid), terwijl specifieke uitdagingen bij het onderscheiden van seborrhoïsch eczeem van rosacea worden benadrukt en de technische haalbaarheid van het framework wordt gevalideerd via een prototype webapplicatie.
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
Het menselijk gezicht is een complexe kaart van de huid, waarbij dezelfde aandoening er anders uit kan zien afhankelijk van de unieke biologie van een persoon, en verschillende aandoeningen er verrassend hetzelfde uit kunnen zien. Decennialang hebben artsen vertrouwd op hun getrainde ogen om tussen deze subtiele variaties te onderscheiden, een vaardigheid die jaren van studie en ervaring vereist. In de afgelopen jaren hebben wetenschappers geprobeerd computers hetzelfde te leren te doen met behulp van kunstmatige intelligentie. Deze systemen werken door een computer duizenden afbeeldingen van de huid te tonen, zodat deze de visuele patronen van ziekten zoals acne of eczeem kan leren. Er blijft echter een grote uitdaging bestaan: de meeste van deze computerprogramma's zijn getraind op algemene afbeeldingen van de wereld, niet specifiek op de huid. Net zoals iemand die alleen maar foto's van bossen heeft gezien, moeite zou kunnen hebben met het identificeren van een specifieke boomsoort in een tuin, kan een computer die getraind is op algemene foto's de fijne details missen die één huidaandoening van de andere onderscheiden. Bovendien debatteren onderzoekers al lang over de vraag of het computerprogramma dat de uiteindelijke diagnose stelt, even belangrijk is als het computerprogramma dat leert om de afbeelding te zien.
Een team van onderzoekers zette zich af om dit puzzelstukje op te lossen door een nieuwe aanpak te testen om computers te leren hoe ze huidaandoeningen in het gezicht moeten herkennen. Ze richtten zich op zes veelvoorkomende aandoeningen die vaak op het gezicht verschijnen: acne, atopische dermatitis, normale huid, psoriasis, rosacea en seborrheïsche dermatitis. In plaats van vanaf nul een nieuw computerbrein te bouwen, wat enorme hoeveelheden data en rekenkracht zou vereisen, testten ze zeven verschillende bestaande "visiemodellen". Denk bij deze modellen aan verschillende soorten brillen, elk ontworpen door verschillende groepen wetenschappers om de wereld op een specifieke manier te zien. Sommige van deze brillen waren getraind op algemene afbeeldingen van de natuur en steden, terwijl andere specifiek waren getraind op medische afbeeldingen van de huid. De onderzoekers wilden zien welke bril de computer de meest nauwkeurige diagnose liet stellen. Ze wilden ook weten of de laatste stap van het proces — het computerprogramma dat daadwerkelijk de beslissing neemt — even belangrijk was als de brillen zelf. Om dit te testen, namen ze de door elke bril verwerkte afbeeldingen en voedden deze aan twee verschillende besluitvormingsprogramma's om te zien of de resultaten veranderden.
De studie maakte gebruik van een grote collectie echte klinische afbeeldingen uit ziekenhuizen in Zuid-Korea, zorgvuldig georganiseerd zodat de computer kon leren van een gebalanceerde set voorbeelden. De onderzoekers bevroren de "brillen" op hun plaats, wat betekent dat ze niet probeerden ze iets nieuws te leren, en gebruikten ze simpelweg om de visuele kenmerken van elke huidafbeelding te extraheren. Vervolgens gaven ze deze kenmerken door aan een besluitvormingsprogramma om te zien hoe goed ze de afbeeldingen in de juiste zes categorieën konden sorteren. De resultaten waren duidelijk en beslissend. De computermodellen die specifiek op huidafbeeldingen waren getraind, presteerden aanzienlijk beter dan die getraind op algemene foto's van de wereld. Het beste presterende model was een dermatologie-specifiek fundatiemodel, dat de huidaandoening correct identificeerde met een AUC van 0,8817. Dit was een substantiële verbetering ten opzichte van de algemene modellen, die moeite hadden om zelfs een AUC van 0,8 te bereiken. De gespecialiseerde modellen waren bijzonder goed in het herkennen van normale huid en psoriasis, hoewel ze nog steeds moeite hadden om seborrheïsche dermatitis en rosacea, twee aandoeningen die voor het menselijk oog vaak erg op elkaar lijken, perfect van elkaar te onderscheiden.
De onderzoekers ontdekten ook dat de keuze van het uiteindelijke besluitvormingsprogramma ertoe deed, maar alleen voor bepaalde soorten "brillen". Wanneer de computer algemene visiemodellen gebruikte, werkte één type besluitvormingsprogramma veel beter dan het andere. Echter, wanneer de computer de gespecialiseerde, op de huid getrainde modellen gebruikte, maakte de keuze van het besluitvormingsprogramma bijna geen verschil. Dit suggereert dat zodra de computer via gespecialiseerde training heeft geleerd om huidkenmerken correct te zien, de laatste stap van het nemen van de diagnose veel stabieler en betrouwbaarder wordt. De studie benadrukte ook een hardnekkige moeilijkheid: zelfs de beste computermodellen hadden moeite om het verschil te zien tussen seborrheïsche dermatitis en rosacea. De computer haalde deze twee aandoeningen vaak door elkaar, wat de uitdaging weerspiegelt die artsen ervaren bij het onderzoeken van patiënten. Dit geeft aan dat hoewel kunstmatige intelligentie heel goed kan leren om de huid te zien, er nog steeds visuele overlap bestaat tussen bepaalde ziekten die moeilijk te onderscheiden is met alleen standaardfoto's.
Om aan te tonen hoe deze technologie uiteindelijk patiënten zou kunnen helpen, bouwden de onderzoekers een eenvoudige webapplicatie. In dit prototype kon een gebruiker een foto van het gezicht uploaden, waarna het systeem de foto analyseert om de huidaandoening te voorspellen. In plaats van alleen een medische label te geven, koppelde het systeem een taaltool om een uitleg in gewone mensentaal te genereren, wat educatieve informatie biedt die een patiënt kan begrijpen. Dit demonstreerde dat het complexe wiskundige werk van de diagnose kan worden verpakt in een gebruiksvriendelijke interface. De auteurs merkten echter voorzichtig op dat dit een technische demonstratie was, en geen medisch hulpmiddel dat klaar is voor gebruik. Ze benadrukten dat het systeem nog niet is getest op patiënten in echte klinische omgevingen of op mensen met verschillende huidtinten en achtergronden. De studie concludeert dat hoewel gespecialiseerde visiemodellen een krachtig hulpmiddel zijn voor het identificeren van gezichtshudaandoeningen, de technologie nog verdere test en validatie nodig heeft voordat deze kan worden vertrouwd om artsen te vervangen of te ondersteunen in een klinische setting. De weg vooruit houdt in dat deze systemen betrouwbaar werken over diverse populaties en dat men precies begrijpt waar ze nog steeds fouten kunnen maken.
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.