Valutazione dell’applicazione dell’intelligenza artificiale nella diagnostica del melanoma con focus su melanoma sottile e non sottile

Abstract

Il presente studio ha valutato l’applicazione dell’intelligenza artificiale nella diagnostica dermoscopica del melanoma, con particolare focus sulla distinzione tra melanoma in situ e melanoma invasivo, confrontando le prestazioni dei modelli di IA con quelle di dermatologi esperti. Lo studio, condotto tra la Clinica Dermatologica dell’Università di Genova e la Divisione di Dermatologia dell’Ospedale San Bartolomeo di Sarzana, ha incluso 293 immagini dermoscopiche di melanomi confermati provenienti da 249 pazienti, di cui 161 melanomi in situ e 132 invasivi. Sono stati analizzati tre approcci sperimentali progressivamente più complessi: un primo metodo basato su estrazione manuale di caratteristiche radiomiche e classificazione mediante algoritmi di machine learning; un secondo fondato su estrazione automatica delle feature tramite CNN e classificazione con modelli tradizionali; un terzo basato su CNN pre-addestrata e successivo fine-tuning. Il primo approccio ha raggiunto un’accuratezza media del 54,26%, il secondo del 58,08% e il terzo del 63,95%, risultando il più performante. Tuttavia, quest’ultimo ha mostrato una marcata asimmetria delle prestazioni, con maggiore efficacia nel riconoscimento dei melanomi in situ (81,99%) rispetto ai melanomi invasivi (45,45%). I dermatologi esperti hanno ottenuto un’accuratezza complessiva leggermente inferiore (61,29%), ma una migliore capacità di identificare le forme invasive (64,74%). Tra i principali limiti dello studio rientrano la dimensione contenuta del campione, che aumenta il rischio di overfitting, e la composizione del dataset, ricco di melanomi in situ e di forme invasive pT1a, molto simili tra loro. I risultati indicano che l’IA rappresenta uno strumento promettente di supporto al dermatologo, ma non ancora sufficiente a sostituire il giudizio specialistico nella stima dell’invasività del melanoma.

This study evaluated the application of artificial intelligence in the dermoscopic diagnosis of melanoma, with a specific focus on distinguishing melanoma in situ from invasive melanoma, and compared the performance of AI models with that of expert dermatologists. Conducted at the Dermatology Clinic of the University of Genoa and the Dermatology Division of San Bartolomeo Hospital in Sarzana, the study included 293 dermoscopic images of histologically confirmed melanomas from 249 patients, including 161 melanomas in situ and 132 invasive melanomas. Three experimental approaches with increasing methodological complexity were assessed: a first method based on manual extraction of radiomic features followed by machine learning classification; a second method based on CNN-driven automatic feature extraction combined with traditional classifiers; and a third method based on a pre-trained CNN with subsequent fine-tuning. The first approach achieved a mean accuracy of 54.26%, the second 58.08%, and the third 63.95%, making it the best-performing model. However, the latter showed marked asymmetry, being much more effective in recognizing melanomas in situ (81.99%) than invasive melanomas (45.45%). Expert dermatologists achieved a slightly lower overall accuracy (61.29%), but showed a better ability to identify invasive lesions (64.74%). The main limitations of the study include the relatively small sample size, which increases the risk of overfitting, and the composition of the dataset, which was enriched in melanomas in situ and thin pT1a invasive melanomas, making the two classes particularly similar and difficult to distinguish. Overall, these findings suggest that AI applied to dermoscopy is a promising support tool, but not yet sufficient to replace specialist judgment in estimating melanoma invasiveness.