AI Summary & Key Takeaways
AI InsightResults: The AI ensemble achieved an overall seven-class accuracy of 94.2%, with an overall sensitivity of 93.8% (95% CI: 91.4-95.7) and specificity of 94.5% (95% CI: 92.3-96.2).
📌 3 Key Takeaways
Abstract
Aim: Although dermoscopy has improved diagnostic accuracy for melanocytic lesions and melanoma in particular, inter-observer variability remains a clinical concern. This study evaluates the potential of an artificial intelligence (AI) ensemble to support dermatologists in a seven-class skin lesion classification task (including melanoma, basal cell carcinoma, actinic keratosis/intraepithelial carcinoma (AKIEC) and several benign lesions), using clinical and dermoscopic images. The comparison is intentionally restricted to an image-only, standardized classification setting and is not intended to represent full dermatologic diagnostic practice. Material and Methods: A dataset comprising more than 25,000 clinical and dermoscopic images obtained from the ISIC Archive and HAM10000 databases was used. A four-model ensemble deep learning architecture (ResNet-50, VGG-16, InceptionV3, and EfficientNet-B4) was developed using weighted voting aggregation. Dermatologists evaluated only the images and did not have access to patient age, sex, Fitzpatrick skin type, lesion site, duration, evolution, symptoms, prior treatments or palpation findings; the reader arm therefore reflects standardized image classification, not routine clinical practice. Model performance was compared with the dermatology panel on the same held-out image set using standard diagnostic metrics (sensitivity, specificity, F1, AUC-ROC). Grad-CAM was used to visualize model decision regions. Results: The AI ensemble achieved an overall seven-class accuracy of 94.2%, with an overall sensitivity of 93.8% (95% CI: 91.4-95.7) and specificity of 94.5% (95% CI: 92.3-96.2). The melanoma-specific sensitivity was 94.1%. On the same image-only test set, twelve board-certified dermatologists reached a mean accuracy of 88.5% (95% CI: 86.1-90.9). Ensemble modeling outperformed individual networks, and Grad-CAM outputs consistently mapped onto clinically relevant lesion regions. Conclusion: These findings should not be interpreted as AI being clinically superior to dermatologists, but as a comparative evaluation of standardized image-classification performance under an image-only setting. AI-assisted systems may serve as supportive tools in dermatology by assisting early detection, optimizing triage in high-volume settings and aiding teledermatology decision-making, complementing — not replacing — clinical expertise.
Özet
Amaç: Dermoskopi melanositik lezyonların ve melanomun tanısında tanı doğruluğunu artırmış olsa da gözlemciler arası tutarlılık hâlâ bir sorun olarak kalmaktadır. Bu çalışma, yalnızca görüntü tabanlı bir standart sınıflandırma senaryosunda, yapay zekâ (YZ) modelinin klinik ve dermoskopik görüntüler kullanarak yedi sınıflı deri lezyonu sınıflandırmasında (melanom, bazal hücreli karsinom, aktinik keratoz/intraepitelyal karsinom (AKIEC) ve çeşitli benign lezyonlar) dermatologları destekleme potansiyelini değerlendirmektedir. Amaç, yapay zekânın dermatologların yerini alması değil, standart görüntü sınıflandırma performansı açısından karar destek aracı olarak katkısının araştırılmasıdır. Gereç ve Yöntemler: Çalışmada, ISIC Arşivi ve HAM10000 veri setlerinden elde edilen 25.000’den fazla klinik ve dermoskopik görüntü kullanılmıştır. Dört farklı konvolüsyonel sinir ağı mimarisinden (ResNet-50, VGG-16, InceptionV3 ve EfficientNet-B4) oluşan ensemble derin öğrenme modeli, ağırlıklı oylama yöntemi ile entegre edilmiştir. Dermatologlar yalnızca görüntü üzerinden değerlendirme yapmış; hasta yaşı, cinsiyeti, Fitzpatrick deri tipi, lezyon lokalizasyonu, süresi, semptomlar ve palpasyon bulguları gibi klinik bilgiler kendilerine sunulmamıştır. Bu nedenle karşılaştırma, gerçek klinik tanı sürecini değil, standart görüntü sınıflandırma performansını yansıtmaktadır. Model performansı, aynı görüntü kümesi üzerinde dermatoloji uzmanlarının değerlendirmeleri ile karşılaştırılmış; duyarlılık ve özgüllük başta olmak üzere temel tanısal performans ölçütleri analiz edilmiştir. Bulgular: Yapay zekâ ensemble modelinin yedi sınıflı genel doğruluğu %94,2, genel duyarlılığı %93,8 (%95 GA: 91,4-95,7) ve genel özgüllüğü %94,5 (%95 GA: 92,3-96,2) olarak bulunmuştur. Melanom sınıfına özgü duyarlılık ise %94,1 olarak saptanmıştır. Sadece görüntü tabanlı bu değerlendirmede, on iki dermatoloğun ortalama doğruluğu %88,5 (%95 GA: 86,1-90,9) olarak saptanmıştır. Ensemble yaklaşımının, tekil modellerin performansına kıyasla daha yüksek doğruluk sağladığı görülmüştür. Grad-CAM görselleştirme teknikleri ile modelin karar odaklarının dermatolojik olarak yorumlanabilir olduğu gösterilmiştir. Sonuç: Bu çalışmanın sonuçları, yapay zekânın dermatologlardan üstün olduğu şeklinde değil, klinik bilgi ve fizik muayeneden bağımsız, standardize görüntü sınıflandırma senaryosundaki karşılaştırmalı performansı olarak yorumlanmalıdır. Yapay zekâ destekli sistemler; erken tanının desteklenmesi, yüksek hasta yükü bulunan merkezlerde triyajın optimize edilmesi ve teledermatoloji uygulamalarında karar desteği sağlanması açısından değerli olabilir. Klinik uzmanlığın yerini almak yerine tamamlayıcı bir araç olarak konumlandırılmalıdır.