Präzisere Differenzialdiagnose pigmentierter Läsionen durch KI-Modelle

Ein japanisches Forschungsteam hat ein KI-basiertes Diagnosesystem entwickelt, um mit dessen Hilfe pigmentierte Gesichtsläsionen besser identifizieren zu können. Die Studie wurde online im Journal „Cureus“ veröffentlicht.

Pigmentierte Gesichtsläsionen treten in vielen verschiedenen Formen auf, wie Melasma, Epheliden, erworbene dermale Melanozytose, solare Lentigines und Lentigo-maligna-Melanom. Diese Läsionen sind jedoch häufig visuell ähnlich, was die Differenzialdiagnostik erschwert.

Die geeignete Behandlung variiert stark je nach Läsionstyp, weshalb eine präzise Diagnose für die Durchführbarkeit und Auswahl der Lasertherapie essenziell ist. Beispielsweise kann eine ungeeignete Lasertherapie Melasma verschlechtern, während eine verzögerte chirurgische Exzision beim Lentigo-maligna-Melanom durch Fehldiagnose schwerwiegende Folgen haben kann.

Deep-Learning-basierte Bilddiagnostik

In den letzten Jahren hat die Bilddiagnostik mittels Deep-Learning-Modellen an Bedeutung gewonnen. Forschungsergebnisse zeigen, dass sie bei der Differenzierung von Hautläsionen eine Genauigkeit aufweist, die mit der von Dermatologen vergleichbar oder sogar überlegen ist. Während die Deep-Learning-basierte Bilddiagnostik bereits erfolgreich beim Nachweis von Melanomen eingesetzt wurde, gibt es bisher unzureichende Forschung zu benignen und malignen pigmentierten Läsionen im Gesichtsbereich, die direkt die Planung der Lasertherapie betreffen. Daher besteht Bedarf an der Entwicklung eines diagnostischen Unterstützungssystems.

Klassifikationssystem mit hoher Präzision

Das Team entwickelte ein Klassifikationssystem mit den Deep-Learning-Modellen InceptionResNetV2 und DenseNet121 zur Identifizierung von fünf Typen pigmentierter Gesichtsläsionen (Melasma, Epheliden, erworbene dermale Melanozytose, solare Lentigo und Lentigo maligna/Lentigo-maligna-Melanom). Für Training und Validierung wurden 432 klinische Bilder verwendet. Die diagnostische Genauigkeit wurde mit den Diagnosen von neun zertifizierten Dermatologen (Experten) und elf nicht-zertifizierten Dermatologen (Nicht-Experten) verglichen.

Beide Modelle erreichten eine diagnostische Genauigkeit von 87% bzw. 86% und übertrafen damit die mittlere diagnostische Genauigkeit der Experten (80%) und der Nicht-Experten (63%). Besonders bei der Identifikation von LM/LMM erreichten beide Modelle eine Sensitivität von 100%, was auf ein hohes Potenzial als diagnostisches Unterstützungstool in der klinischen Praxis hinweist.

Basierend auf diesen Ergebnissen übertreffen die entwickelten Deep-Learning-Modelle die diagnostische Genauigkeit von Dermatologen bei der Erkennung pigmentierter Gesichtsläsionen deutlich und können die Diagnoseunterstützung und die Festlegung geeigneter Therapiepläne entscheidend verbessern.