Zastosowanie interpretowalnych metod uczenia maszynowego do klasyfikacji obrazów zmian skórnych w dermatoskopii

Abstract

Wyjaśnialność i interpretowalność to kluczowe cechy modeli uczenia maszynowego stosowanych w medycynie, co wynika z wielu względów prawnych, społecznych i etycznych. Celem niniejszej pracy dyplomowej jest próba stworzenia w pełni interpretowalnego modelu zdolnego odróżnić zmiany skórne łagodne od złośliwych, który mógłby stanowić narzędzie wspomagające pracę lekarzy oceniających takie zmiany. Na początkowym etapie projektu stworzono cechy dotyczące kształtu, tekstury i koloru, odzwierciedlające, zgodnie z wiedzą ekspercką, potencjalnie złośliwy charakter zmian. Następnie dokonano selekcji cech, a także dobrano odpowiednie wartości hiperparametrów. Uzyskano przy tym model drzewa decyzyjnego charakteryzujący się na zbiorze testowym stosunkowo wysoką czułością (81,7%) i dokładnością (71,4%), uzyskaną kosztem stosunkowo niskiej precyzji (39,6%). Takie wyniki odpowiadają założeniom projektu, a więc uzyskaniu modelu zdolnego do przesiewu zmian wymagających uwagi specjalisty.