Künstliche Intelligenz auf dem Vormarsch – Hohe Vorhersage-Genauigkeit bei der Früherkennung pigmentierter Melanome

Zusammenfassung

Weltweit steigt die Inzidenz des malignen Melanoms an. Bei frühzeitiger Erkennung ist das Melanom gut behandelbar, eine Früherkennung ist also lebenswichtig.

Die Hautkrebs-Früherkennung hat sich in den letzten Jahrzehnten bspw. durch die Einführung des Screenings im Jahr 2008 und die Dermatoskopie deutlich verbessert. Dennoch bleibt die visuelle Erkennung insbesondere von frühen Melanomen eine Herausforderung, weil diese viele morphologische Überlappungen mit Nävi zeigen. Daher ist der medizinische Bedarf weiterhin hoch, die Methoden zur Hautkrebsfrüherkennung gezielt weiterzuentwickeln, um Melanome bereits in einem sehr frühen Stadium sicher diagnostizieren zu können.

Die Routinediagnostik zur Hautkrebs-Früherkennung umfasst die visuelle Ganzkörperinspektion, oft ergänzt durch die Dermatoskopie, durch die sich die diagnostische Treffsicherheit erfahrener Hautärzte deutlich erhöhen lässt. Ein Verfahren, was in einigen Praxen und Kliniken zusätzlich angeboten wird, ist die kombinierte Ganzkörperfotografie mit der digitalen Dermatoskopie für die Früherkennung maligner Melanome, insbesondere für das Monitoring von Hochrisiko-Patienten.

In den letzten Jahrzenten wurden zahlreiche nicht invasive zusatzdiagnostische Verfahren zur Beurteilung verdächtiger Pigmentmale entwickelt, die das Potenzial haben könnten, eine verbesserte und z. T. automatisierte Bewertung dieser Läsionen zu ermöglichen. In erster Linie ist hier die konfokale Lasermikroskopie zu nennen, ebenso die elektrische Impedanzspektroskopie, die Multiphotonen-Lasertomografie, die Multispektralanalyse, die Raman-Spektroskopie oder die optische Kohärenztomografie. Diese diagnostischen Verfahren fokussieren i. d. R. auf hohe Sensitivität, um zu vermeiden, ein malignes Melanom zu übersehen. Dies bedingt allerdings üblicherweise eine geringere Spezifität, was im Screening zu unnötigen Exzisionen vieler gutartiger Läsionen führen kann. Auch sind einige der Verfahren zeitaufwendig und kostenintensiv,was die Anwendbarkeit im Screening ebenfalls einschränkt.

In naher Zukunft wird insbesondere die Nutzung von künstlicher Intelligenz die Diagnosefindung in vielfältiger Weise verändern. Vielversprechend ist v. a. die Analyse der makroskopischen und dermatoskopischen Routine-Bilder durch künstliche Intelligenz. Für die Klassifizierung von pigmentierten Hautläsionen anhand makroskopischer und dermatoskopischer Bilder erzielte die künstliche Intelligenz v. a. in Form neuronaler Netze unter experimentellen Bedingungen in zahlreichen Studien bereits eine vergleichbare diagnostische Genauigkeit wie Dermatologen. Insbesondere bei der binären Klassifikationsaufgabe Melanom/Nävus erreichte sie hohe Genauigkeiten, doch auch in der Multiklassen-Differenzierung von verschiedenen Hauterkrankungen zeigt sie sich vergleichbar gut wie Dermatologen. Der Nachweis der grundsätzlichen Anwendbarkeit und des Nutzens solcher Systeme in der klinischen Praxis steht jedoch noch aus. Noch zu schaffende Grundvoraussetzungen für die Translation solcher Diagnosesysteme in die dermatologischen Routine sind Möglichkeiten für die Nutzer, die Entscheidungen des Systems nachzuvollziehen, sowie eine gleichbleibend gute Leistung der Algorithmen auf Bilddaten aus fremden Kliniken und Praxen.

Derzeit zeichnet sich ab, dass computergestützte Diagnosesysteme als Assistenzsysteme den größten Nutzen bringen könnten, denn Studien deuten darauf hin, dass eine Kombination von Mensch und Maschine die besten Ergebnisse erzielt. Diagnosesysteme basierend auf künstlicher Intelligenz sind in der Lage, Merkmale schnell, quantitativ, objektiv und reproduzierbar zu erfassen, und könnten somit die Medizin auf eine mathematische Grundlage stellen – zusätzlich zur ärztlichen Erfahrung.

Abstract

The incidence of malignant melanoma is increasing worldwide. If detected early, melanoma is highly treatable, so early detection is vital.

Skin cancer early detection has improved significantly in recent decades, for example by the introduction of screening in 2008 and dermoscopy. Nevertheless, in particular visual detection of early melanomas remains challenging because they show many morphological overlaps with nevi. Hence, there continues to be a high medical need to further develop methods for early skin cancer detection in order to be able to reliably diagnosemelanomas at a very early stage.

Routine diagnostics for melanoma detection include visual whole body inspection, often supplemented by dermoscopy, which can significantly increase the diagnostic accuracy of experienced dermatologists. A procedure that is additionally offered in some practices and clinics is wholebody photography combined with digital dermoscopy for the early detection of malignant melanoma, especially for monitoring high-risk patients.

In recent decades, numerous noninvasive adjunctive diagnostic techniques were developed for the examination of suspicious pigmented moles, that may have the potential to allow improved and, in some cases, automated evaluation of these lesions. First, confocal laser microscopy should be mentioned here, as well as electrical impedance spectroscopy, multiphoton laser tomography, multispectral analysis, Raman spectroscopy or optical coherence tomography. These diagnostic techniques usually focus on high sensitivity to avoid malignant melanoma being overlooked. However, this usually implies lower specificity, which may lead to unnecessary excision of benign lesions in screening. Also, some of the procedures are time-consuming and costly, which also limits their applicability in skin cancer screening. In the near future, the use of artificial intelligence might change skin cancer diagnostics in many ways. The most promising approach may be the analysis of routine macroscopic and dermoscopic images by artificial intelligence.

For the classification of pigmented skin lesions based on macroscopic and dermoscopic images, artificial intelligence, especially in form of neural networks, has achieved comparable diagnostic accuracies to dermatologists under experimental conditions in numerous studies. In particular, it achieved high accuracies in the binary melanoma/nevus classification task, but it also performed comparably well to dermatologists in multiclass differentiation of various skin diseases. However, proof of the basic applicability and utility of such systems in clinical practice is still pending. Prerequisites that remain to be established to enable translation of such diagnostic systems into dermatological routine are means that allow users to comprehend the system’s decisions as well as a uniformly high performance of the algorithms on image data from other hospitals and practices.

At present, hints are accumulating that computer-aided diagnosis systems could provide their greatest benefit as assistance systems, since studies indicate that a combination of human and machine achieves the best results. Diagnostic systems based on artificial intelligence are capable of detecting morphological characteristics quickly, quantitatively, objectively and reproducibly, and could thus provide a more objective analytical basis – in addition to medical experience.

Publication History

Article published online:
29 December 2022

• Literatur

• 1 Krebsregisterdaten Zf. Malignes Melanom der Haut. . https://www.krebsdaten.de/Krebs/DE/Content/Krebsarten/Melanom/melanom_inhalt.html
• 2 Vestergaard ME, Macaskill P, Holt PE. et al. Dermoscopy compared with naked eye examination for the diagnosis of primary melanoma: a meta-analysis of studies performed in a clinical setting. Br J Dermatol 2008; 159: 669-676
• 3 Haenssle HA, Fink C, Schneiderbauer R. et al. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Annals of Oncology 2018; 29: 1836-1842
• 4 Dinnes J, Deeks JJ, Chuchu N. et al. Dermoscopy, with and without visual inspection, for diagnosing melanoma in adults. Cochrane Database Syst Rev 2018; 12: Cd011902
• 5 Hornung A, Steeb T, Wessely A. et al. The Value of Total Body Photography for the Early Detection of Melanoma: A Systematic Review. Int J Environ Res Public Health 2021; 18: 1726
• 6 Song E, Grant-Kels JM, Swede H. et al. Paired comparison of the sensitivity and specificity of multispectral digital skin lesion analysis and reflectance confocal microscopy in the detection of melanoma in vivo: A cross-sectional study. J Am Acad Dermatol 2016; 75: 1187-1192.e1182
• 7 Welzel JMU, Lange-Asschenfeldt S, Stolz W. et al. S1-Leitlinie 013–076: Konfokale Lasermikroskopie in der Dermatologie. Berlin: Deutsche Dermatologische Gesellschaft; 2011
• 8 Wan B, Ganier C, Du-Harpur X. et al. Applications and future directions for optical coherence tomography in dermatology. British Journal of Dermatology 2020;
• 9 Philipsen PA, Knudsen L, Gniadecka M. et al. Diagnosis of malignant melanoma and basal cell carcinoma by in vivo NIR-FT Raman spectroscopy is independent of skin pigmentation. Photochem Photobiol Sci Erratum in: Photochem Photobiol Sci. 2014 Sep; 13(9): 1360. 2013; 12: 770-776
• 10 Zhou W, Chen Z, Zhou Q. et al. Optical Biopsy of Melanoma and Basal Cell Carcinoma Progression by Noncontact Photoacoustic and Optical Coherence Tomography: In Vivo Multi-Parametric Characterizing Tumor Microenvironment. IEEE Trans Med Imaging 2020; 39: 1967-1974
• 11 Dimitrow E, Ziemer M, Koehler MJ. et al. Sensitivity and specificity of multiphoton laser tomography for in vivo and ex vivo diagnosis of malignant melanoma. J Invest Dermatol 2009; 129: 1752-1758
• 12 Stolz W. Melanoma early detection and automatic diagnosis of pigmented lesions. J Dtsch Dermatol Ges 2014; 535-535
• 13 Mohr P, Birgersson U, Berking C. et al. Electrical impedance spectroscopy as a potential adjunct diagnostic tool for cutaneous melanoma. Skin Res Technol 2013; 19: 75-83
• 14 Tschandl P, Sinz C, Kittler H. Domain-specific classification-pretrained fully convolutional network encoders for skin lesion segmentation. Comput Biol Med 2019; 104: 111-116
• 15 Anwar SM, Majid M, Qayyum A. et al. Medical image analysis using convolutional neural networks: a review. Journal of Medical Systems 2018; 42: 226
• 16 Esteva A, Kuprel B, Novoa RA. et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature 2017; 542: 115-118
• 17 Fujisawa Y, Otomo Y, Ogata Y. et al. Deep-learning-based, computeraided classifier developed with a small dataset of clinical images surpasses board-certified dermatologists in skin tumour diagnosis. Br J Dermatol 2019; 180: 373-381
• 18 Jinnai S, Yamazaki N, Hirano Y. et al. The Development of a Skin Cancer Classification System for Pigmented Skin Lesions Using Deep Learning. Biomolecules 2020; 10: 1123
• 19 Han SS, Moon IJ, Kim SH. et al. Assessment of deep neural networks for the diagnosis of benign and malignant skin neoplasms in comparison with dermatologists: A retrospective validation study. PLoS Med 2020; 17: e1003381
• 20 Brinker TJ, Hekler A, Enk AH. et al. Deep learning outperformed 136 of 157 dermatologists in a head-to-head dermoscopic melanoma image classification task. European Journal of Cancer 2019; 113: 47-54
• 21 Brinker TJ, Hekler A, Enk AH. et al. Deep neural networks are superior to dermatologists in melanoma image classification. European Journal of Cancer 2019; 119: 11-17
• 22 Marchetti MA, Codella NC, Dusza SW. et al. Results of the 2016 International Skin Imaging Collaboration International Symposium on Biomedical Imaging challenge: Comparison of the accuracy of computer algorithms to dermatologists for the diagnosis of melanoma from dermoscopic images. J Am Acad Dermatol 2018; 78: 270-277. e271
• 23 Maron RC, Weichenthal M, Utikal JS. et al. Systematic outperformance of 112 dermatologists in multiclass skin cancer image classification by convolutional neural networks. European Journal of Cancer 2019; 119: 57-65
• 24 Döbel I, Leis M, Vogelsang MM. et al. Maschinelles Lernen: Eine Analyse zu Kompetenzen, Forschung und Anwendung. 2019. Fraunhofer Institut.. https://www.bigdata-ai.fraunhofer.de/content/dam/bigdata/de/documents/Publikationen/Fraunhofer_Studie_ML_201809.pdf
• 25 Polesie S, Gillstedt M, Kittler H. et al. Attitudes towards artificial intelligence within dermatology: an international online survey. Br J Dermatol 2020; 183: 159-161
• 26 Nelson CA, Pérez-Chada LM, Creadore A. et al. Patient Perspectives on the Use of Artificial Intelligence for Skin Cancer Screening: A Qualitative Study. JAMA Dermatol 2020; 156: 501-512
• 27 Jutzi TB, Krieghoff-Henning EI, Holland-Letz T. et al. Artificial Intelligence in Skin Cancer Diagnostics: The Patientsʼ Perspective. Front Med (Lausanne) 2020; 7: 233
• 28 Haggenmüller S, Krieghoff-Henning E, Jutzi T. et al. Digital Natives’ Preferences on Mobile Artificial Intelligence Apps for Skin Cancer Diagnostics: Survey Stud. JMIR mHealth and uHealth 2021; 9: e22909
• 29 Hekler A, Utikal JS, Enk AH. et al. Superior skin cancer classification by the combination of human and artificial intelligence. Eur J Cancer 2019; 120: 114-121
• 30 Tschandl P, Rinner C, Apalla Z. et al. Human-computer collaboration for skin cancer recognition. Nature Medicine 2020; 26: 1229-1234