© by-studio/Fotolia

Das sog. Deep Learning Convolutional Neural Network (CNN), eine Form künstlicher Intelligenz, stellt bei gut- und bösartigen Hautläsionen genauere Diagnosen als erfahrene Dermatologen. Dies wurde in einem Vergleichstest bestätigt.

Dem CNN wurden über 100 000 Bilder von gut- und bösartigen Muttermalen und Hautkrebsarten mit der jeweils korrekten Diagnose gezeigt. Danach konnte das CNN präzisere Diagnosen stellen als ausgebildete Dermatologen: Es übersah weniger Melanome, hatte somit eine höhere Sensitivität, und taxierte gutartige Muttermale weniger häufig als malignes Melanom, besass dadurch auch eine höhere Spezifität. In einem mehrstufigen Testverfahren konnten Forscher die überlegene Diagnosefähigkeit des CNN belegen.

Aus einem Bilder-Set von 300 Aufnahmen (20% mit Melanomen) wählten zwei Spezialisten 100 aus und liessen anschliessend 58 Dermatologen mit unterschiedlicher Berufserfahrung die Diagnose «gutartiger Nävus» oder «malignes Melanom» stellen. Vier Wochen später mussten sie die Bilder erneut beurteilen, erhielten jedoch zusätzlich klinische Informationen zu den einzelnen Bildern. Dem CNN wurden die gleichen Aufgaben gestellt. Ohne klinische Informationen erkannten die Dermatologen durchschnittlich 86,6% der malignen Melanome. In 71,3% der Fälle diagnostizierten sie gutartige Nävi korrekt. Das CNN erreichte im selben Test eine deutlich höhere Sensitivität und Spezifität. Unter Verwendung des Vergleichswerts der mittleren Sensitivität der Dermatologen von 86,6% war die Spezifität des CNN (bei gleich hoher Sensitivität) mit 92,5% deutlich höher als diejenige der Dermatologen mit 71,3% bei der Diagnose ohne klinische Informationen. Beim Test mit klinischen Informationen konnten die Dermatologen ihre Werte zwar verbessern, doch das CNN lag immer noch vorn. Unter Verwendung der Sensitivität der Dermatologen von 88,9% betrug die Spezifität des CNN 82,5% im Vergleich zur mittleren Spezifität der Dermatologen von 75,7%. Alle Resultate waren signifikant (p < 0,01).

Gemäss den Autoren zeigen die Ergebnisse dieser Studie, dass ein angemessen trainiertes Deep Learning CNN in der Lage ist, dermatoskopische Bilder von Hautläsionen präzise zu diagnostizieren. Ein CNN kann daher ein geeignetes Tool zur Unterstützung von Dermatologen bei der Melanom-Diagnostik sein.

Quelle | Haenssle HA, et al.: Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Ann Oncol 2018; https://doi.org/10.1093/annonc/mdy166.

 

Kommentar schreiben


Sicherheitscode
Aktualisieren

0
0
0
s2sdefault