Miun‑forskaren Yali Nie har lärt AI att upptäcka hudcancer
Genom djupinlärning har Yali Nie fått AI att kunna upptäcka farliga hudförändringar tidigt. I vissa fall så tidigt och så tydligt att de gett bättre resultat än hudläkares diagnoser. Förhoppningen är att den nya tekniken ska kunna rädda liv.
Melanom är den vanligaste formen av hudcancer och samtidigt den cancerform som ökar mest. Chansen för att överleva ökas drastiskt om den upptäcks tidigt. Med hjälp av dermatoskopiska bilder, foton som tas med hjälp av en förstoringslupp, kan man identifiera hudskador men det kan vara svårt för det mänskliga ögat att klassificera hudförändringarna. Genom att djuplära AI att läsa och tolka bilder av hudförändringar har Yali Nie, forskare inom elektronik vid Mittuinversitetets institution för Data- och Elektroteknik, DET, hittat ett sätt att klassificera skadorna.
Hur lärde du AI att identifiera och klassificera hudförändringar?
– Det är viktigt att ha en stark förståelse för principerna och teknikerna för maskininlärning innan man dyker in i specifika applikationer. Det inkluderar att förstå olika typer av algoritmer, hur man tränar och utvärderar modeller och hur man hanterar olika typer av data. Jag samlade in en datauppsättning med bilder av hudskador tillsammans med etiketter som anger vilken typ av skada som finns. Det är viktigt att se till att uppgifterna är av hög kvalitet och att etiketterna är korrekta. Förbehandlingssteg, till exempel bildnormalisering och förstärkning, kan också vara nödvändiga. Jag använde datauppsättningen för att träna den valda algoritmen med hjälp av tekniker som korsvalidering för att säkerställa att modellen är generaliserbar. Slutligen testade jag modellen på en ny, osynlig datauppsättning för att säkerställa att den kan generalisera till nya fall, säger Yali Nie och fortsätter:
– Det är värt att notera att utveckla en exakt och pålitlig AI-modell för upptäckt och klassificering av hudskador är en komplex och utmanande uppgift som kräver en stark bakgrund inom maskininlärning och datorseende. Dessutom är det viktigt att arbeta med kvalificerad vårdpersonal för att säkerställa att modellen är säker och effektiv för klinisk användning.
Hur säker är metoden?
– Mängden och kvaliteten på träningsdatauppsättningen, komplexiteten i modellarkitekturen och kalibern på de data som används för att validera modellen påverkar hur exakta och säkra dessa modeller är. I allmänhet har modeller för klassificering av hudskador gett positiva resultat och tillämpas allt oftare i kliniska miljöer. De måste dock användas i samband med en klinisk utvärdering av en legitimerad läkare eftersom de inte är felfria och fortfarande kan göra misstag.
När kan den börja användas på patienter?
– Det är oklart. Myndighetsgodkännande och tillgången till lämplig teknik kommer att avgöra hur AI-modeller för upptäckt och klassificering av hudskador används på patienter. I kliniska miljöer har vissa modeller redan fått myndighetsgodkännande. För att säkerställa dess effektivitet och säkerhet krävs mer studier och validering eftersom tillämpningen av AI i vården fortfarande är relativt ny.
Vad händer härnäst?
– Utvecklingen och distributionen av AI-hudlesionsdetektering och klassificeringsmodellers nästa steg kommer förmodligen att innebära mer algoritmiskt mixtrande för att öka algoritmernas precision och pålitlighet samt valideringstester för att visa modellernas effektivitet i faktiska kliniska situationer. För att möjliggöra en mer effektiv och ändamålsenlig patientvård kommer det sannolikt också att pågå ett arbete med att koppla samman dessa modeller med elektroniska patientjournaler och andra kliniska system.
Yali Nie disputerade så sent i februari med sin doktorsavhandling "Deep Learning Approaches Towards Skin Lesion Classification with Dermoscopic Images".