The use of Artificial Intelligence for the Melanoma Binary Classification Problem on images (MIBCP)

Abstract

The healthcare industry plays a critical role in saving lives ev ery day. As a result, researchers, physicians, and experts are constantly working to find new ways to address illnesses and dis abilities. In addition, technological advancements, especially in artificial intelligence and machine learning, have helped the sci entific community design and propose advanced diagnostic tools to help physicians make crucial patient care decisions. These tools allow researchers to analyze vast amounts of data in new ways, often in real-time, for various purposes, such as detect-ing patterns behind illnesses, analyzing signals and detecting potential cancer from images. In this context, this work was dedicated to the study of the Melanoma Image Binary Classification Problem (MIBCP), mainly by analyzing and proposing solutions to addressing the open issues in this field that did not allow a massive utilization of computer-aided diagnostic systems for early diagnosis. In partic ular, this work focuses on the resolution of the problems that may be behind high-performance automatic prediction models: the need to minimize risk situations, even by accepting lower overall performance; the opportunity to use clinical images instead of instrumental images in early diagnosis; the need able doctors to evaluate how the automatic prediction models learn and choose the results, rather than blindly relying only on the statistical values that can be calculated by analyzing the performance of the system on training, validation and test tests; the need for a scalable architecture specialized in allowing the refinement of prediction models in a fast and accessible way to non-experts. The results reported aim to help increase trust in the automatic system that can be implemented thanks to deep learning, in particular by showing these systems’ advantages, limitations and disadvantages and providing tools that show the potential to overcome these limitations. Also, this work aims to improve Melanoma early detection, which is now a limiting factor for f irst-line therapies in this tumour pathology. [edited by Author]

Il settore sanitario svolge un ruolo fondamentale nel salvare vi te ogni giorno. Di conseguenza, ricercatori, medici ed esperti lavorano costantemente per trovare nuovi modi per affrontare malattie e disabilità. Inoltre, i progressi tecnologici, in particola re nell’intelligenza artificiale e nell’apprendimento automatico, hanno aiutato la comunità scientifica a progettare e proporre strumenti diagnostici avanzati per aiutare i medici a prendere decisioni cruciali sulla cura del paziente. Questi strumenti con sentono ai ricercatori di analizzare grandi quantità di dati in modi nuovi, spesso in tempo reale, per vari scopi, come rilevare modelli dietro malattie, analizzare segnali e rilevare potenziali tumori dalle immagini. In questo contesto, questo lavoro è stato dedicato allo studio del Melanoma Image Binary Classification Problem (MIBCP), principalmente analizzando e proponendo soluzioni per affrontare le questioni aperte in questo campo che non hanno consentito un utilizzo massiccio di sistemi diagnostici assistiti da computer per la diagnosi precoce . In particolare, questo lavoro si concentra sulla risoluzione dei problemi che pos sono essere alla base di modelli di previsione automatica ad alte prestazioni: la necessità di minimizzare le situazioni di rischio, anche accettando prestazioni complessive inferiori; l’opportunità di utilizzare immagini cliniche invece di immagini strumentali nella diagnosi precoce; la necessità di medici in grado di valutare come i modelli di previsione automatica apprendono e scelgono i risultati, piuttosto che affidarsi ciecamente solo ai valori statistici che possono essere calcolati analizzando le prestazioni del siste ma su traning, validation e test set; la necessità di un’architettura scalabile specializzata nel consentire l’affinamento dei modelli di previsione in modo rapido e accessibile ai non esperti. I risultati riportati mirano ad aumentare la fiducia nel sistema automatico che può essere implementato grazie al deep learning, in parti colare mostrando vantaggi, limiti e svantaggi di questi sistemi e fornendo strumenti che mostrano il potenziale per superare questi limiti. Inoltre, questo lavoro mira a migliorare la diagnosi precoce del melanoma, che ora è un fattore limitante per le terapie di prima linea in questa patologia tumorale. [a cura dell'Autore]