Quality Indicators and Methodology for Evaluating Algorithm Effectiveness in Skin Lesion Detection and Segmentation / Wskaźniki jakości i metodyka oceny skuteczności algorytmów w wykrywaniu i segmentacji zmian skórnych

Abstract

With the global rise in skin cancer cases, Artificial Intelligence-based Computer-Aided Diagnosis (CAD) systems are becoming essential in modern dermatology. This chapter analyzes the methodology for evaluating machine learning algorithms in two key domains: object detection and semantic segmentation. The study challenges the sufficiency of global Accuracy as a primary metric, highlighting its fundamental flaws in the context of imbalanced medical datasets. Based on a literature review, including works on YOLO and U-Net architectures, the clinical significance of the confusion matrix, IoU, mAP, and the DSC is deconstructed. The aim of this study is to define an evaluation standard that balances the technical precision of algorithms with patient safety requirements.

Wraz ze wzrostem liczby przypadków raka skóry na całym świecie, systemy komputerowej diagnostyki wspomaganej (CAD) oparte na sztucznej inteligencji stają się niezbędne we współczesnej dermatologii. Niniejszy rozdział analizuje metodologię oceny algorytmów uczenia maszynowego w dwóch kluczowych obszarach: wykrywaniu obiektów i segmentacji semantycznej. Badanie podważa wystarczalność globalnej dokładności jako podstawowego wskaźnika, podkreślając jej fundamentalne wady w kontekście niezrównoważonych zbiorów danych medycznych. Na podstawie przeglądu literatury, w tym prac dotyczących architektur YOLO i U-Net, zdekonstruowano znaczenie kliniczne macierzy pomyłek, IoU, mAP i DSC. Celem niniejszego badania jest zdefiniowanie standardu oceny, który równoważy precyzję techniczną algorytmów z wymogami bezpieczeństwa pacjentów.