Melanoom blijft één van de lastigste vormen van huidkanker om tijdig te herkennen. Veel verdachte plekjes lijken sterk op onschuldige moedervlekken, waardoor zowel artsen als AI-systemen ze gemakkelijk missen. Bovendien baseren bestaande AI-oplossingen zich meestal uitsluitend op dermoscopische beelden, terwijl cruciale patiëntinformatie, zoals leeftijd, geslacht of de locatie van de afwijking, vaak buiten beschouwing blijft. Juist die combinatie kan de diagnostiek aanzienlijk verbeteren.
Om die kloof te overbruggen ontwikkelde professor Gwangill Jeon (Incheon National University, Zuid-Korea) samen met internationale partners een multimodaal deep-learningmodel dat beeldanalyse combineert met patiëntdata. Volgens Jeon is dat essentieel: “Voor melanoom is vroege herkenning cruciaal. Alleen naar het plaatje kijken is niet genoeg. AI moet leren om zowel visuele kenmerken als patiëntcontext mee te wegen.”
Hoe het model werkt
Het team trainde het systeem op de grootschalige SIIM-ISIC-dataset, met ruim 33.000 huidafbeeldingen en bijbehorende metadata. Het model leert zo verbanden te zien tussen wat op de huid verschijnt en wie de patiënt is. De prestaties zijn opvallend: zeer hoge (94,5%) nauwkeurigheid en een F1-score van 0,94, aanzienlijk beter dan gangbare modellen die alleen met beelden werken, zoals ResNet-50 en EfficientNet.
Een aanvullende analyse laat zien welke factoren het zwaarst meewegen: onder meer de grootte van de laesie, leeftijd van de patiënt en de plek op het lichaam. Deze transparantie helpt om AI-beslissingen beter te begrijpen en te vertrouwen. Het onderzoek werd onlangs gepubliceerd in Information Fusion.
Toepassingen in de praktijk
Volgens Jeon is het model klaar voor doorontwikkeling richting real-life diagnoseondersteuning. Denk aan:
- AI-ondersteunde triage in dermatologiepraktijken
- Teledermatologie, waarbij patiënten op afstand worden beoordeeld
- Smartphone-apps voor vroege risicoscreening
Door beeldinformatie te combineren met patiëntcontext kan de technologie misdiagnoses verminderen, toegang tot zorg vergroten en bijdragen aan persoonlijkere preventie.
Met deze studie laten de onderzoekers zien hoe multimodale AI een waardevolle brug kan slaan tussen machine-learningmodellen en klinische besluitvorming. Dit is een stap richting snellere, betrouwbaardere en meer toegankelijke huidkankerdiagnostiek.
Veel onderzoek
Er wordt veel onderzoek gedaan naar methoden, al dan niet met behulp van AI, om de diagnose huidkanker sneller, en nauwkeuriger te kunnen stellen. Daarbij wordt steeds vaker ook specifiek gekeken naar het ontdekken van melanoom bij mensen met een donkere huidskleur. Onderzoekers van het Fox Chase Cancer Center en Temple University ontwikkelden enkele weken gelede een nieuwe AI-methode, speciaal voor het verbeteren van de diagnostiek voor huidkanker, vooral melanoom, bij mensen met een donkere huid.
Bestaande AI-systemen zijn vooral getraind op beelden van lichte huid, waardoor diagnoses bij donkere huidtypes vaak minder nauwkeurig zijn. Dit vergroot gezondheidsverschillen en leidt tot latere ontdekking van kanker. Het team pakte dit probleem aan met de Monk Skin Tone-schaal (MST), die tien huidtinten onderscheidt en diversiteit realistischer weergeeft. Met deze schaal ontwikkelden zij de MST-AI-methode, die huidtinten veel nauwkeuriger inschat en bias in datasets kan corrigeren.
Tests op grote openbare dermatologische databanken tonen dat MST-AI betrouwbaardere resultaten levert dan bestaande modellen. Hiermee wordt een eerlijkere, nauwkeurigere diagnose mogelijk voor alle patiënten, ongeacht huidskleur.
