ИИ-поддержка диагностики меланомы по дерматоскопическим снимкам

Бизнес-контекст

Анализ дерматоскопических снимков — исследовательская задача с высокой ценой пропуска опасного класса. Изображения отличаются по качеству, освещению, визуальным особенностям, форме образования и наличию артефактов.

Эксперимент показывает, как дополнительный механизм внимания влияет на классификацию и как корректно измерять изменение качества. Он не является клиническим внедрением и не передаёт модели решение врача.

Ограничения исходного процесса

• опасные признаки могут быть слабо выражены
• качество и условия съёмки неоднородны
• общая точность не показывает риск пропуска опасного класса
• архитектурное улучшение нужно проверять статистически
• исследовательский результат нельзя трактовать как клиническую валидацию

До внедрения

Цель эксперимента — повысить чувствительность к опасному классу на открытых дерматоскопических данных.

1. подготовить публичные дерматоскопические изображения
2. разделить данные для обучения и проверки
3. обучить базовую архитектуру
4. оценить F1, F2 и полноту опасного класса
5. сравнить варианты модели на одинаковом протоколе

Исследовательская постановка

ResNeXt-архитектуру дополняет модуль внимания; варианты сравниваются по F1, F2 и статистической значимости.

Базовую ResNeXt-архитектуру дополняет модуль внимания CBAM. В одном наборе экспериментов значение F2 составляет 0,7540, а различие по F2 имеет p = 0,015.

Практический смысл F2 в этой задаче состоит в повышенном внимании к полноте обнаружения опасного класса. Эти цифры описывают исследовательский эксперимент на публичных данных, а не качество медицинского изделия.

Как работает решение

Изображения проходят подготовку и аугментации, после чего ResNeXt-50 извлекает визуальные признаки. CBAM помогает модели перераспределять внимание между каналами и областями изображения.

Варианты сравниваются по F1, F2 и полноте опасного класса. Бутстраповый анализ используется для проверки того, что наблюдаемое различие не объясняется только случайным составом выборки.

Данные

• открытые наборы дерматоскопических изображений
• метки классов

Критерии оценки

• F1
• F2
• полнота опасного класса
• статистическая значимость

Практическая ценность

• оценка механизма внимания для медицинской классификации изображений
• выбор метрик с учётом высокой цены пропуска
• статистическая оценка улучшения, а не сравнение по одной точке
• воспроизводимый исследовательский контур
• любая практическая интерпретация остаётся за врачом

Ограничения и человеческий контроль

• Результаты не являются клинической валидацией.
• Эксперимент не заменяет решение врача.

Контроль: Любая практическая интерпретация медицинского изображения остается за врачом.

Что переносится в другие компании

• дизайн экспериментов
• оценка моделей при высокой цене пропуска
• статистическая проверка улучшений