Wie Künstliche Intelligenz die Hautkrebserkennung weiter verbessern kann

Eine frühzeitige Erkennung von Hautkrebs ist von entscheidender Bedeutung. Ein neues KI-Modell nutzt nun Transfer Learning und Test Time Augmentation zur Verbesserung der Diagnosen.

Die von Aliyu Tetengi Ibrahim und seinem Team an der Ahmadu Bello University geleitete Studie, die in Data Science and Management veröffentlicht wurde, stellt ein neues KI-Modell zur Hautkrebserkennung vor. Mithilfe von Transfer Learning und Test Time Augmentation (TTA) hat das Team ein Modell entwickelt, das Hautläsionen in sieben verschiedene Kategorien einteilt.

Das Team entwickelte ein Deep-Learning-Modell, das fünf hochmoderne Transfer-Learning-Modelle integriert, um Hautläsionen unter anderem in Kategorien wie Melanom, Basalzellkarzinom und gutartige Keratose zu klassifizieren. Trainiert auf dem umfangreichen HAM10000-Datensatz mit über 10.000 dermatoskopischen Bildern, erreichte das Modell eine Trefferquote von 94,49 Prozent.

Eine wichtige Neuerung in dieser Studie ist der Einsatz von TTA – einer Technik, die den Datensatz künstlich vergrößert, indem zufällige Änderungen an den Testbildern vorgenommen werden. Dadurch wird die Fähigkeit des Modells zur Verallgemeinerung über ein breites Spektrum von Hautläsionen hinweg gesteigert und die diagnostische Präzision verbessert. Der gewichtete Ensemble-Ansatz, der die Stärken der einzelnen Modelle kombiniert, übertrifft andere aktuelle Methoden auf diesem Gebiet und bietet ein leistungsstarkes Werkzeug für die dermatologische Diagnostik.

„Die Integration von Deep Learning in der Dermatologie ist nicht nur ein Fortschritt, sondern eine Notwendigkeit“, sagt Ibrahim. „Die hohe Trefferquote unseres Modells kann die Notwendigkeit unnötiger Biopsien reduzieren und eine frühere Erkennung fördern, was letztlich Leben retten kann, indem es Dermatologen hilft, fundiertere Entscheidungen zu treffen. Dieser Durchbruch ist ein klares Beispiel dafür, wie KI das medizinische Fachwissen erweitern und den Kampf gegen Hautkrebs entscheidend unterstützen kann.“

Die potenziellen Anwendungen dieses KI-Modells im klinischen Bereich sind groß. Es könnte den Diagnoseprozess rationalisieren, die Gesundheitskosten senken und die Patientenversorgung verbessern, insbesondere in Regionen mit begrenztem Zugang zu dermatologischem Fachwissen. Durch die Integration dieser Technologie in telemedizinische Plattformen könnte der Zugang zur Hautkrebsdiagnose demokratisiert werden, sodass auch unterversorgte Bevölkerungsgruppen eine fortschrittliche medizinische Versorgung erhalten.