AI overtreft ervaren dermatologen wat betreft de nauwkeurigheid van de detectie van huidkanker

• Onderzoekers hebben een convolutioneel neuraal netwerk getraind om huidkanker te detecteren.
• Het presteerde beter dan een internationale groep ervaren dermatologen.
• De AI zal artsen niet vervangen, maar kan dienen als hulpmiddel voor nauwkeurigere besluitvorming.

Voor het eerst heeft een internationaal team aangetoond dat kunstmatige intelligentie huidkanker nauwkeuriger kan detecteren dan ervaren dermatologen.

Het aantal gevallen van maligne melanoom neemt toe:wereldwijd ruim 230.000 nieuwe diagnoses en 59.800 sterfgevallen in 2015. Vroegtijdige detectie is van cruciaal belang; in stadium IV dalen de 5- en 10-jaarsoverlevingspercentages tot 15% en 10%.

Het team van de European Society for Medical Oncology heeft een Convolutional Neural Network (CNN) getraind op meer dan 100.000 dermoscopische beelden van kwaadaardige melanomen en goedaardige moedervlekken.

In een onderlinge vergelijking miste CNN minder positieve gevallen dan 58 dermatologen uit 14 landen.

Kunstmatig neuraal netwerk

De onderzoekers gebruikten de Inception-v4-architectuur van Google en trainden deze op dermoscopische beelden en hun diagnoses. Neurale netwerken leren door het goede voorbeeld te geven en verbeteren geleidelijk naarmate ze worden blootgesteld aan meer gegevens.

De beelden werden tienvoudig vergroot om CNN een gedetailleerd beeld te geven. Elke trainingsiteratie verscherpte het vermogen van het model om kwaadaardige van goedaardige laesies te onderscheiden.

CNN versus artsen

Er zijn twee testsets gemaakt:Niveau I (alleen dermoscopische beelden) en Niveau II (dermoscopische beelden plus klinische informatie). Zowel CNN als de dermatologen maten de specificiteit, de gevoeligheid en het gebied onder de ROC-curve.

Op niveau I bereikten dermatologen een gemiddelde gevoeligheid van 86,6% voor melanoom en een specificiteit van 71,3% voor goedaardige moedervlekken. De CNN bereikte een gevoeligheid van 95% voor melanoom, terwijl dezelfde specificiteit van 71,3% voor goedaardige moedervlekken werd gehandhaafd.

Op niveau II verbeterden de prestaties voor beide groepen, maar CNN vertoonde nog steeds een hogere gevoeligheid en specificiteit, miste minder kankers en classificeerde minder goedaardige laesies.

De resultaten kwamen ook overeen met de drie beste algoritmen van de International Symposium on Biomedical Imaging (ISBI)-uitdaging van 2016.

Conclusie

De gegevens geven aan dat een CNN zelfs zeer ervaren dermatologen beter kan presteren bij het identificeren van huidkanker.

Hoewel de technologie niet bedoeld is om artsen te vervangen, biedt ze een krachtig beslissingsondersteunend hulpmiddel dat de diagnostische nauwkeurigheid kan verbeteren.

Lezen:Google ontwikkelt AI die hartziekten voorspelt door uw ogen te scannen

Toekomstige verbeteringen zullen voortkomen uit grotere trainingssets en vooruitgang op het gebied van beeldvormingstechnologie, waardoor de dermatologische diagnostiek in de nabije toekomst mogelijk zal veranderen.

Referentie:Annals of Oncology | doi:10.1093/annonc/mdy166