Svolta dell'intelligenza artificiale per l'equità nella rilevazione del cancro della pelle / AI breakthrough for skin cancer detection equity

Svolta dell'intelligenza artificiale per l'equità nella rilevazione del cancro della pelle. Il procedimento del brevetto ENEA RM2012A000637 è molto utile in questo tipo di applicazione. / AI breakthrough for skin cancer detection equity. The procedure of the ENEA patent RM2012A000637 is very useful in this type of application.

Segnalato dal Dott. Giuseppe Cotellessa / Reported by Dr. Giuseppe Cotellessa

Ogni giorno negli Stati Uniti vengono diagnosticati più di 9.500 casi di cancro alla pelle  /  More than 9,500 people are diagnosed with skin cancer every day in the USA

I ricercatori della Pennsylvania hanno sviluppato un nuovo metodo che migliora la capacità dei modelli di intelligenza artificiale di rilevare e diagnosticare il cancro della pelle negli individui con la pelle scura.

La scoperta fatta da un gruppo del Fox Chase Cancer Center, della Facoltà di Ingegneria della Temple University e della Lewis Katz School of Medicine della Temple University è descritta in dettaglio nel Journal of Imaging.

"Il problema principale degli attuali modelli di rilevamento del cancro basati sull'intelligenza artificiale è che sono più efficaci nel rilevare il melanoma nelle tonalità di pelle più chiare e spesso hanno difficoltà a rilevarlo nelle tonalità di pelle più scure. Di conseguenza, quando il melanoma viene rilevato in pazienti con pelle più scura, questi pazienti tendono a essere diagnosticati in stadi più avanzati", ha affermato Hayan Lee, PhD, autore corrispondente dello studio, professore associato presso il  Nuclear Dynamics and Cancer Research Program e membro del  Cancer Epigenetics Institute  presso Fox Chase.

Secondo i ricercatori, i modelli di intelligenza artificiale esistenti non sono altrettanto efficaci nel rilevare il melanoma nelle persone con pelle scura a causa del tipo di dati utilizzati per addestrarli. Questi dati spesso provengono da pochi luoghi e periodi di tempo, spesso in un unico Paese, e non rappresentano tutte le tipologie di pazienti. Quando ciò accade, i metodi di rilevamento possono risultare distorti, con il risultato che lo strumento di intelligenza artificiale diagnostica il cancro della pelle con maggiore accuratezza nelle persone con carnagione più chiara rispetto alle persone di colore.

Studi recenti sulla diagnosi del cancro della pelle hanno esaminato l'utilizzo di imaging avanzato ed intelligenza artificiale per migliorare la diagnosi in diversi tipi di pelle. Tuttavia, la maggior parte di questi studi si è concentrata sull'efficacia della tecnologia e non ha preso in considerazione direttamente l'impatto del colore della pelle sui risultati.

"C'è questo desiderio di avere un unico grande modello, sperando che possa funzionare per ogni tipo di pelle. Penso che questo approccio possa essere troppo generico. È importante comprendere e ridurre gli errori relativi alla rilevazione ed ai tipi di pelle per creare strumenti di rilevazione equi e accurati per tutti", ha affermato Lee in una dichiarazione.

Scala MST

Per sviluppare un modello più accurato, il gruppo di ricerca ha sviluppato un nuovo metodo basato sulla scala Monk Skin Tone ( MST ), una scala di 10 tonalità progettata per rappresentare una gamma più inclusiva di tonalità della pelle umana. I ricercatori hanno utilizzato un nuovo metodo basato sulla scala MST, denominato MST-AI, per stimare il colore della pelle. Il metodo MST-AI è stato poi testato su un'ampia raccolta pubblica di immagini di tumori della pelle.

"I nostri risultati dimostrano che MST-AI fornisce stime del tono della pelle più accurate ed affidabili rispetto agli altri metodi, basate su punteggi di valutazione attendibili. Aiuta a correggere gli squilibri del tono della pelle in ampi set di dati dermatologici, creando una base migliore per una diagnosi accurata ed equa", ha affermato Lee.

ENGLISH

Researchers in Pennsylvania have developed a new method that enhances the ability of AI models to detect and diagnose skin cancer in individuals with darker skin.

The breakthrough by a team from the Fox Chase Cancer Center, Temple University’s College of Engineering, and the Lewis Katz School of Medicine at Temple University is detailed in the Journal of Imaging.

“The biggest issue with current AI cancer detection models is that they are more effective at detecting melanoma in lighter skin tones and often have difficulty detecting it in darker skin tones. As a result, when melanoma is detected in patients with darker skin, those patients tend to be diagnosed at later stages,” said Hayan Lee, PhD, corresponding author on the study, Assistant Professor in the Nuclear Dynamics and Cancer Research Program, and member of the Cancer Epigenetics Institute at Fox Chase.

According to the researchers, existing AI models are not as effective at detecting melanoma in dark skin because of the kinds of data used to train them. This data often comes from just a few places and time periods, many times in one country, and doesn’t represent all types of patients. When this occurs, detection methods can become biased, resulting in the AI tool diagnosing skin cancer more accurately in people with lighter skin tones than in people of colour.

Recent studies on skin cancer diagnosis have looked at using advanced imaging and AI to improve detection for different skin types. However, most of these studies focused on how well the technology works and did not directly consider how skin colour affects the results.

“There’s this desire to have one big model, hoping that it can work for every skin type. I think this approach may be too general. It’s important to understand and lessen the errors related to detection and skin types to create fair and accurate detection tools for everyone,” Lee said in a statement.

MST Scale

To develop a more accurate model, the research team developed a new method based on the Monk Skin Tone (MST) scale, a 10-shade scale designed to represent a more inclusive range of human skin tones. The researchers used a new method based on the MST scale called MST-AI to estimate skin colour. The MST-AI method was then tested on a large public collection of skin cancer images.

“Our results show that MST-AI gives more accurate and reliable skin tone estimates than the other methods, based on trusted evaluation scores. It helps correct skin tone imbalances in large dermatology datasets, creating a better base for accurate and fair diagnosis,” said Lee.

Da:

https://www.theengineer.co.uk/content/news/ai-breakthrough-improves-skin-cancer-detection-equity?utm_source=content_recommendation&utm_medium=blueconic