Riassunto analitico
Il cancro della pelle, la forma di cancro pi`u diffusa a livello mondiale, rappresenta una sfidasanitaria globale significativa. Tra i suoi tipi, il melanoma maligno, sebbene meno comune,`eresponsabile della maggior parte dei decessi. La diagnosi precoce rimane fondamentale, con-tribuendo a ridurre di molto il tasso di mortalit`a. La dermoscopia, una forma di microscopiadella superficie cutanea,`e un metodo primario per la diagnosi precoce, ma la sua efficaciadipende dall’interpretazione di esperti, non sempre disponibile. Di conseguenza, per ridurre itempi di trattamento dei pazienti, sono stati diretti notevoli sforzi verso l’assistenza ai clinicinella classificazione affidabile delle lesioni cutanee come maligne o benigne.Recenti progressi hanno visto l’impiego di applicazioni di Diagnosi Assistita da Computer(CAD) insieme a Reti Neurali Convoluzionali (CNN) per questa classificazione a causa delleloro elevate prestazioni. Tuttavia, le CNN agiscono come scatole nere, non offrendo alcunaintuizione sui loro processi decisionali e introducendo possibili pregiudizi (bias). Con l’Attosull’Intelligenza Artificiale dell’UE che classifica i sistemi di IA medici come ad alto rischio,vi`e inoltre una crescente domanda di soluzioni IA trasparenti e robuste. Migliorare i sistemiCAD IA e rispondere a questi requisiti normativi richiede approcci innovativi nell’impiegarele CNN in campi medici sensibili.Questo lavoro esplora l’utilizzo del modello di AI Generativa, “StylEx”, per migliorarel’esplicabilit`a delle CNN nella classificazione delle lesioni cutanee. StylEx,`e capace di evi-denziare le caratteristiche visive che influenzano i punteggi di classificazione di lesioni dellapelle, attraverso “spiegazioni controfattuali”. Gli esperimenti, condotti utilizzando StylExinsieme a classificatori CNN sui dataset di lesioni cutanee ISIC 2019/2020, mostrano spie-gazioni controfattuali che si allineano, in una certa misura, con le caratteristiche clinicamenterilevanti delle lesioni maligne e allo stesso tempo identificano potenziali bias nei classifica-tori non correlati alla diagnosi di lesioni cutanee. Questa tesi evidenzia l’uso di strumentiAI trasparenti e affidabili per compiti medici essenziali come la rilevazione precoce delmelanoma, allineandosi ai futuri standard normativi crescenti per i sistemi AI medicali.
|
Abstract
Skin cancer, the most prevalent form of cancer worldwide, poses a significant global healthchallenge. Among its types, malignant melanoma, though less common, accounts for themajority of skin cancer-related deaths. Early detection remains crucial, significantly aidingin preventing advanced stages of the disease and reducing mortality rates. Dermoscopy, aform of skin surface microscopy, is a primary method for early diagnosis, but its effective-ness hinges on expert interpretation, which isn’t always available. Consequently, to reducepatient’s time to treatment, substantial efforts have been directed towards assisting cliniciansin reliably classifying skin lesions as malignant or benign.Recent advancements have seen Computer Aided Diagnosis (CAD) applications along Con-volutional Neural Networks (CNNs) employed for this classification due to their high per-formance. However, CNNs often act as black-boxes, offering no insight into their decision-making processes and introducing possible and dangerous biases. With the EU’s AI Actcategorizing medical AI systems as high risk, there is an increasing demand for transpar-ent and robust AI solutions. Improving CAD AI systems and addressing these regulatoryrequirements necessitates innovative approaches in deploying CNNs in sensitive medicalfields.This work delves into the use of a Generative AI model, “StylEx”, to improve the explain-ability of CNNs in skin lesion classification. StylEx, capable of generating “counterfactualexplanations”, sheds light on the visual features that affect classification scores, contribut-ing to the creation of more reliable and unbiased neural networks for analyzing skin lesions.Experiments were conducted using StylEx alongside popular CNN classifiers on the ISIC2019 and 2020 skin lesions datasets. The findings reveal counterfactual explanations thatalign with clinically relevant features of malignant lesions to some extent and identify po-tential biases in classifiers unrelated to accurate skin lesion diagnosis. This thesis advancesthe development of transparent and dependable AI tools for essential medical tasks like earlymelanoma detection, in line with increasing regulatory standards for healthcare AI systems.
|
