Enhanced Classifications of Skin  Melanoma, Actinic Keratosis, and Basal Cell Carcinoma Tumors Versus Normal Tissues Utilizing  YOLOv11 and  EfficientNetV2M  Deep Learning Models

Technische Samenvatting: Verbeterde Classificaties van Huidmelanomen, Actinische Keratose en Basaalcelcarcinoom Tumoren Versus Normale Weefsels Met Gebruik Van YOLOv11 en EfficientNetV2M Deep Learning Modellen

Probleemstelling
Huidtumoren vormen een aanzienlijke wereldwijde gezondheidsuitdaging, waarbij invasief melanoom verantwoordelijk is voor de meerderheid van de huidkankergerelateerde sterfgevallen, ondanks dat het slechts een klein deel van het totaal aantal gevallen uitmaakt. Huidige geautomatiseerde diagnostische systemen die gebruikmaken van dermoscopische gegevens worden geconfronteerd met drie hardnekkige obstakels: een ernstige klassenonbalans in publieke datasets (die modellen bevoordelen richting goedaardige gevallen), een hoge visuele gelijkenis tussen goedaardige en kwaadaardige laesies wat de discriminatie van kenmerken bemoeilijkt, en een gebrek aan consistente cross-architectuur benchmarking. Bovereen, terwijl recente detectiegerichte architecturen (zoals de YOLO-familie) en classificatiegerichte modellen (zoals EfficientNet) de computer vision hebben gevorderd, is hun specifieke toepasbaarheid en vergelijkende prestaties in binaire huidlaesieclassificatie — met name onder klinische klasse-onbalanscondities — niet systematisch gekarakteriseerd.

Methodologie
De studie maakt gebruik van de HAM10000-dataset, een publieke collectie van 10.015 dermoscopische afbeeldingen die zeven verschillende huidlaesieklassen beslaat. Om de klinische realiteit te weerspiegelen, hebben de auteurs doelbewust een 4:1 klasseonbalans tussen goedaardige en kwaadaardige gevallen behouden. De dataset werd opgesplitst in trainings- (80%), validatie- (10%) en testsets (10%), waarbij werd gewaarborgd dat er geen patiëntgegevens lekken waren tussen de partities.

Het onderzoek evalueert drie verschillende deep learning configuraties:

1. YOLOv11: Een gefinetunede YOLOv11s-model (Ultralytics) aangepast voor binaire classificatie. Het model onderging volledige fine-tuning met een SGD-optimizer, een leersnelheid van 0,001 en een batchgrootte van 32 over 50 epochs. Data-augmentatie omvatte ±45° rotatie, 50% horizontale/verticale flipping en 50% schaling.
2. EfficientNetV2M + Neuraal Netwerk (NN): De EfficientNetV2M-backbone werd bevroren als feature extractor (voorgetraind op ImageNet), die voedde aan een custom neuraal netwerkhoofd bestaande uit vijf dense lagen met batch normalisatie en dropout. Deze configuratie werd getraind met een SGD-optimizer.
3. EfficientNetV2M + Support Vector Machine (SVM): Dezelfde EfficientNetV2M-backbone werd gebruikt voor feature extractie, waarna de kenmerken werden gestandaardiseerd en geclassificeerd met een polynomiale SVM (graad 1) uit de scikit-learn bibliotheek.

De studie voerde ablatie-studies uit op optimizers (AdamW vs. SGD), leersnelheden, batchgroottes en augmentatiebeleid om de meest invloedrijke ontwerpkeuzes te identificeren.

Belangrijkste Bijdragen

• YOLOv11 Benchmarking: Dit werk presenteert de eerste benchmark van YOLOv11 voor binaire huidlaesieclassificatie, waarbij een hoge prestatie wordt behaald zonder architecturale modificaties of kennisdistillatie.
• Hybride Pipeline Evaluatie: De auteurs evalueren en vergelijken hybride pipelines die EfficientNetV2M koppelen aan zowel neurale netwerk als SVM classifiers, waarbij de trade-offs tussen end-to-end deep learning training en traditionele machine learning classificatie op geëxtraheerde kenmerken worden geanalyseerd.
• Grondige Vergelijkende Analyse: De studie biedt een reproduceerbare baseline tegen state-of-the-art methoden (inclusen ResNet50, RegNetY-320 en DSNet) met behulp van consistente dataset-splits en evaluatiemetrieken.
• Ablatie Inzichten: Systematische identificatie van hyperparameters die de classificatieprestaties onder klasse-onbalans condities het meest significant beïnvloeden.

Resultaten

• YOLOv11: Behaalde de hoogste testnauwkeurigheid van 92,8%, met een recall van 86,5% en een specificiteit van 93,3%. Het model toonde een sterk vermogen om fout-negatieven te minimaliseren, wat het geschikt maakt voor high-sensitivity screening.
• EfficientNetV2M + NN: Behaalde een testnauwkeurigheid van 85,1%. Hoewel het effectieve generalisatie vertoonde op de minderheidsklasse, leverde het een lagere recall en F1-score op vergeleken met de SVM-variant.
• EfficientNetV2M + SVM: Behaalde een testnauwkeurigheid van 85,0% met een F1-score van 83,0%. Deze configuratie bood de hoogste specificiteit (96,8%) en precisie (83,8%), wat een conservatiever precisie-recall profiel biedt dat geschikt is voor high-precision triage.
• Vergelijkende Prestaties: YOLOv11 presteerde beter dan verschillende gevestigde baselines, waaronder ResNet50 (90%), RegNetY-320 (91%) en DSNet (91,7%). De EfficientNet hybride benaderingen presteerden vergelijkbaar met andere CNN's zoals MobileNet en InceptionV3 gevonden in eerdere literatuur.

Betekenis en Claims
Het artikel beweert dat de keuze van architectuur geleid moet worden door de specifieke operationele klinische context in plaats van door één enkele "beste" model.

• YOLOv11 wordt gepositioneerd als de superieure kandidaat voor high-sensitivity screening, waarbij het minimaliseren van gemiste maligniteiten (fout-negatieven) essentieel is.
• EfficientNetV2M + SVM wordt gepresenteerd als een robuust alternatief voor high-precision triage, wat superieure specificiteit biedt om onnodige vervolgprocedures te verminderen.

De auteurs concluderen dat hoewel YOLOv11 een nieuwe state-of-the-art vestigt voor de algehele nauwkeurigheid in dit domein, de hybride EfficientNet benaderingen flexibele, modulaire alternatieven bieden die precisie en recall effectief balanceren. De studie benadrukt dat deze resultaten reproduceerbare benchmarks bieden voor toekomstig onderzoek, hoewel zij erkennen dat een prospectieve evaluatie op onafhankelijke klinische datasets nodig is om de generaliseerbaarheid buiten de ISIC benchmark te valideren.