Rak skóry to jeden z najczęściej występujących nowotworów – wczesne wykrycie znacznie poprawia rokowania. Niestety, wiele osób nie ma dostępu do dermatologa ani zaawansowanych narzędzi diagnostycznych. Ta praca rozwiązuje ten problem, przenosząc AI do tanich urządzeń ubieralnych.

Co zrobili autorzy?

  1. Wykorzystali MobileNetV2:
    To mała sieć neuronowa zoptymalizowana pod urządzenia mobilne. Dzięki transfer learning nauczono ją rozróżniać zmiany skórne: rak skóry vs inne.

  2. Zmniejszyli i zoptymalizowali model:
    Za pomocą NVIDIA TensorRT skompresowano MobileNetV2 dla platformy Jetson Orin Nano – zmniejszono rozmiar modelu do ~41% oryginału, przyspieszono działanie i znacznie zredukowano zużycie energii, szczególnie w precyzji INT8 (spadek nawet o 93%).

  3. Dogłębnie przetestowali:
    Oceniono następujące metryki:

    • F1‑Score: 87,2% (równowaga między precyzją a czułością)
    • Precyzja: 93,2% (trafność pozytywnych wskazań)
    • Czułość: 81,9% (wykryte przypadki raka) :contentReference

Co to wnosi

  • Lokalne, szybkie diagnozowanie bez internetu – wszystko odbywa się na urządzeniu.
  • Efektywność energetyczna, dzięki czemu urządzenia ubieralne stają się praktyczne, szczególnie w regionach z ograniczonym dostępem do opieki zdrowotnej.
  • Skalowalność – podobne podejście może działać przy innych chorobach lub w innych typach urządzeń.

Ograniczenia i kierunki przyszłości

  • Przetestować na różnych typach skóry i zmian, by zapewnić uniwersalność modelu.
  • Uwzględnić kwestie bezpieczeństwa – jak minimalizować „fałszywe negatywy” i „fałszywe pozytywy”.
  • Rozszerzyć badania o nowe platformy i formy urządzeń (np. zegarki smart).

Słownik

  • Transfer Learning – wykorzystanie wcześniej nauczonego modelu do szybszego uczenia się nowego zadania.
  • MobileNetV2 – lekkie sieci neuronowe zoptymalizowane do działania na urządzeniach ubieralnych.
  • Kompresja modelu – techniki redukujące wagę sieci (np. kwantyzacja do 8-bitów).
  • Precyzja INT8 – przechowywanie wag w formacie 8-bitowym, co przyspiesza obliczenia i zmniejsza zapotrzebowanie na pamięć.

Podsumowanie

Autorzy pokazują, że skompresowany model MobileNetV2 może skutecznie diagnozować zmiany skórne na tanim sprzęcie ubieralnym. Dzięki wysokim wynikom (F1‑Score 87%, precyzji 93%) oraz ogromnemu zmniejszeniu rozmiaru i zużycia energii, praca otwiera drogę do dostępnej, AI‑napędzanej diagnostyki w regionach o ograniczonych zasobach.

📎 Linki