Deep Learning steigert Melanom-Erkennung auf 94,5 Prozent

Ein neues Deep-Learning-System erkennt Melanome mit einer Genauigkeit von 94,5 Prozent, indem es dermatoskopische Aufnahmen mit Patientendaten wie Alter, Geschlecht und Lokalisation der Läsion kombiniert.

Das Melanom gehört nach wie vor zu den am schwierigsten zu diagnostizierenden Hautkrebsformen, da es häufig harmlosen Nävi oder anderen benignen Läsionen ähnelt. Die meisten derzeitigen Werkzeuge der Künstlichen Intelligenz (KI) basieren ausschließlich auf dermatoskopischen Bildern und vernachlässigen dabei wesentliche Patienteninformationen (wie Alter, Geschlecht oder Lokalisation der Läsion), die die diagnostische Genauigkeit verbessern könnten.

Integration von Patientendaten

Um diese Lücke zu schließen, hat Prof. Gwangill Jeon vom Department of Embedded Systems Engineering der Incheon National University (Südkorea) in Zusammenarbeit mit britischen und kanadischen Forschenden ein Deep-Learning-Modell entwickelt, das Patientendaten und dermatoskopische Bilder integriert. Die Studie wurde in der Zeitschrift „Information Fusion“ veröffentlicht

„Hautkrebs, insbesondere das Melanom, ist eine Erkrankung, bei der eine frühzeitige Erkennung für die Überlebensraten von entscheidender Bedeutung ist“, so Jeon. „Da sich Melanome allein anhand visueller Merkmale nur schwer sicher diagnostizieren lassen, habe ich die Notwendigkeit für Konvergenztechnologien der KI erkannt, die sowohl Bilddaten als auch Patienteninformationen berücksichtigen.“

Besser als rein bildbasierte Modelle

Unter Verwendung des groß angelegten SIIM-ISIC-Melanom-Datensatzes mit über 33.000 dermatoskopischen Bildern, die jeweils mit klinischen Metadaten verknüpft sind, trainierte das Team das KI-Modell darauf, Zusammenhänge zwischen sichtbaren Hautbefunden und individuellen Patientenmerkmalen zu erkennen. Das Modell erreichte eine Genauigkeit von 94,5 Prozent und einen F1-Score von 0,94 und war damit etablierten bildbasierten Modellen überlegen.

Die Forschenden führten zudem Analysen zur Merkmalsrelevanz durch, um das System transparenter und robuster zu machen. Faktoren wie Läsionsgröße, Alter der Patienten sowie anatomische Lokalisation erwiesen sich als besonders bedeutsam für eine akkurate Erkennung. Diese Erkenntnisse können Ärzten helfen, die Entscheidungen der KI nachzuvollziehen und liefern eine Grundlage, um dem KI-gestützten Befund zu vertrauen.

Einsatz in der Praxis

Jeon erläutert: „Das Modell ist nicht nur für akademische Zwecke konzipiert. Es kann als praktisches Werkzeug eingesetzt werden, das das Melanom-Screening in der klinischen Realität grundlegend verändern könnte. Diese Forschung lässt sich direkt in ein KI-System überführen, das sowohl Bilder von Hautläsionen als auch grundlegende Patienteninformationen analysiert, um eine frühe Melanomerkennung zu ermöglichen.“

Künftig könnte das Modell Smartphone-basierte Anwendungen zur Hautbilddiagnostik, telemedizinische Systeme oder KI-gestützte Tools in dermatologischen Praxen und Kliniken unterstützen und so Fehldiagnosen reduzieren sowie den Zugang zur Versorgung verbessern. Laut Jeon stellt die Studie einen Schritt hin zu personalisierter Diagnostik und Präventionsmedizin durch Konvergenztechnologie der KI dar. (ins)