PanDerm steigert mithilfe von KI diagnostische Genauigkeit in der Dermatologie

Ein neues, auf Künstlicher Intelligenz (KI) basierendes System namens PanDerm analysiert verschiedenste Hautbilder und verbessert die Diagnostik– auch bei Nichtspezialisten. Die Ergebnisse wurden in „Nature Medicine“ vorgestellt.

Eine Reihe von Evaluierungen zeigte, dass PanDerm die Genauigkeit der Hautkrebsdiagnose bei Ärzten um elf Prozent verbesserte. Bei verschiedenen anderen Hauterkrankungen half das Modell nichtdermatologischen Fachkräften, die diagnostische Genauigkeit um 16,5 Prozent zu steigern. Außerdem war PanDerm in der Lage, Hautkrebs frühzeitig zu erkennen, indem es auffällige Läsionen identifizierte, bevor sie von Klinikern entdeckt wurden. Trainiert wurde das Modell mit mehr als zwei Millionen Hautbildern, die Daten stammten von elf Institutionen in mehreren Ländern und umfassten vier Typen medizinischer Bilder.

Zongyuan Ge, Associate von der Fakultät für Informationstechnologie der Monash University in Clayton, Australien, und einer der Hauptautoren der Studie, erklärte, dass bestehende KI-Modelle für die Dermatologie bisher meist auf isolierte Aufgaben beschränkt seien, etwa die Diagnose von Hautkrebs anhand dermatoskopischer Bilder.

Integration verschiedener Bild- und Datentypen

„Bisherige KI-Modelle hatten Schwierigkeiten, verschiedene Datentypen und Bildgebungsmethoden zu integrieren und zu verarbeiten, was ihre Nützlichkeit für Ärzte in unterschiedlichen realen Anwendungsszenarien einschränkte“, sagte Ge. PanDerm sei ein Werkzeug, das entwickelt wurde, um Kliniker zu unterstützen und ihnen dabei zu helfen, komplexe Bilddaten zu interpretieren und sicherere Entscheidungen zu treffen.

Im Gegensatz zu bestehenden Modellen, die für eine einzelne Aufgabe trainiert wurden, wurde PanDerm auf eine breite Palette klinischer Aufgaben evaluiert, darunter Hautkrebsscreening, Vorhersage des Rückfall- oder Metastasierungsrisikos, Hauttypbestimmung, Zählen von Muttermalen, Verfolgung von Läsionsveränderungen, Diagnose einer Vielzahl von Hauterkrankungen sowie Segmentierung von Läsionen. Das Modell lieferte Ergebnisse oft mit nur fünf bis zehn Prozent der sonst üblichen Menge an annotierten Daten.

Im klinischen Alltag fungiert PanDerm als Unterstützungswerkzeug, das das Spektrum der Hautbilder analysiert, die Ärzte routinemäßig verwenden. Das System verarbeitet diese Bilder und liefert Wahrscheinlichkeitsabschätzungen für Diagnosen, was Klinikern hilft, visuelle Daten mit größerer Sicherheit zu interpretieren.

Ganzheitliche Analyse von Hauterkrankungen

Diese Integration ist besonders wertvoll, um die diagnostische Genauigkeit bei Nichtspezialisten zu verbessern, subtile Läsionsveränderungen im Zeitverlauf zu erkennen und das individuelle Risiko von Patienten einzuschätzen.

Erstautor und Doktorand Siyuan Yan von der Fakultät für Ingenieurwissenschaften der Monash University betonte, dass der multimodale Ansatz entscheidend für den Erfolg des Systems sei. „Indem wir PanDerm mit vielfältigen Daten aus verschiedenen Bildgebungstechniken trainiert haben, haben wir ein System geschaffen, das Hauterkrankungen so versteht wie Dermatologen: durch die Synthese von Informationen aus verschiedenen visuellen Quellen“, sagte Yan. Dadurch sei eine ganzheitlichere Analyse von Hauterkrankungen möglich als mit früheren Einzelmodalitäts-KI-Systemen. Da Hauterkrankungen inzwischen 70 Prozent der Weltbevölkerung betreffen, ist die Früherkennung entscheidend und kann zu besseren Behandlungsergebnissen führen.

Leitende Mitautorin der Studie und Direktorin des Victorian Melanoma Service am Alfred Health, Victoria Mar, erklärte, dass PanDerm vielversprechend dabei sei, subtile Veränderungen von Läsionen im Zeitverlauf zu erkennen und Hinweise auf die Biologie der Läsion sowie das zukünftige Metastasierungsrisiko zu liefern. „Diese Art der Unterstützung könnte eine frühere Diagnose und eine konsequentere Überwachung für Patienten mit einem Risiko für Melanome ermöglichen“, sagte Mar.

Integration in klinische Abläufe

H. Peter Soyer, Direktor des Dermatology Research Centre der University of Queensland in Brisbane, Australien und ebenfalls Hauptautor der Studie, fügte hinzu, dass Unterschiede bei der Bildgebung und Diagnostik auch auf unterschiedliche Ressourcen in städtischen, regionalen und ländlichen Gesundheitsversorgungseinrichtungen zurückzuführen seien. „Die Stärke von PanDerm liegt in seiner Fähigkeit, bestehende klinische Abläufe zu unterstützen“, sagte Soyer. Es könnte besonders in ressourcenbeschränkten oder sehr ausgelasteten Einrichtungen wertvoll sein, oder in der Primärversorgung, wo der Zugang zu Dermatologen eingeschränkt ist. „Wir haben gesehen, dass das Werkzeug auch dann gute Ergebnisse liefert, wenn es nur mit einer geringen Menge an annotierten Daten trainiert wurde – ein entscheidender Vorteil in unterschiedlichen medizinischen Umgebungen, in denen standardisierte annotierte Daten oft begrenzt sind.“

Mitautor Harald Kittler von der Abteilung für Dermatologie der Medizinischen Universität Wien, Österreich, betonte, dass PanDerm zeige, wie globale Zusammenarbeit und vielfältige klinische Daten genutzt werden können, um KI-Werkzeuge zu entwickeln, die nicht nur technisch stark, sondern auch klinisch relevant in verschiedenen Gesundheitssystemen sind. „Die Fähigkeit, die Diagnose in unterschiedlichen realen Anwendungsszenarien, auch in Europa, zu unterstützen, ist ein Schritt nach vorn, um dermatologisches Fachwissen weltweit zugänglicher und konsistenter zu machen“, sagte Kittler.

Obwohl die Forschungsergebnisse vielversprechend sind, befindet sich PanDerm derzeit noch in der Evaluierungsphase, bevor es breiter im Gesundheitswesen eingesetzt werden kann. Für die Zukunft planen die Forschenden, umfassendere Evaluierungsrahmen zu entwickeln, die ein breiteres Spektrum an dermatologischen Erkrankungen und klinischen Varianten abdecken.