AI för hudcancerdetektering visar brister hos mörkhyade

Nya AI-drivna verktyg utlovar hjälp för att identifiera potentiell hudcancer, antingen i hemmet eller som ett stöd för kliniker. Dock visar sig dessa verktygs noggrannhet variera avsevärt beroende på hudfärg, vilket sätter mörkhyade patienter i riskzonen.

AI-modeller lär sig att känna igen sjukdomar genom visuella mönster. Studier har visat att modeller som tränats primärt på bilder av ljushyade patienter tappar i noggrannhet när de presenteras med bilder av mörkhyade patienter. Detta beror på att AI:n kan använda hudfärgen som en genväg för diagnos, istället för att fokusera på själva hudförändringens karaktärsdrag.

Tillstånd som atopiskt eksem kan exempelvis se olika ut på ljus och mörk hud. En AI kan tillförlitligt identifiera symtom på ljus hud men missa motsvarande tecken på mörk hud. Denna skillnad kan leda till att mörkhyade patienter får sämre vård, vilket är särskilt problematiskt då exempelvis malignt melanom är svårare att upptäcka på pigmenterad hud.

Forskare har funnit att även stora språkmodeller som GPT-4 kan klassificera en godartad födelsemärke som malignt melanom om den visas mot en mörkare hudton. Detta kan leda till onödig oro eller att livshotande cancer missas.

Den ojämna fördelningen av träningsdata för AI är en central orsak till denna snedvridning. Medicinska bilddatabaser och läroböcker har historiskt dominerats av bilder på ljushyade patienter. För att åtgärda detta krävs mer diversifierade databaser med ett stort antal bilder från patienter med olika hudtoner. Generativ AI kan användas för att skapa syntetiska bilder för att öka mångfalden i träningsmaterialet och samtidigt säkerställa integriteten.