Künstliche Intelligenz in der Dermatologie

Was ist künstliche Intelligenz?

Künstliche Intelligenz (KI) verwendet Computersysteme, um Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern, wie Spracherkennung und visuelle Wahrnehmung. KI stützt sich auf Technologien und Algorithmen wie Robotik, maschinelles Lernen und das Internet, um die Funktionsweise des menschlichen Gehirns nachzuahmen. Mit unbegrenzter Rechenleistung und Speicherkapazität hat AI das Potenzial, Menschen zu übertreffen.

In der Medizin haben Computer-Vision-Algorithmen das Potenzial zu erkennen Anomalien und Krankheiten durch Bewertung von Farbe, Form und Mustern [1].

Einige Beispiele für KI-Anwendungen sind:

• Technologie zur Ermöglichung autonomer Fahrzeuge
• Spracherkennungsalgorithmen für die Interaktion mit Menschen wie SIRI von Apple, Alexa von Amazon und Google Assistant
• Sprache Übersetzung Algorithmen
• Identifizierung von Hunderassen (es wurde berichtet, dass ein Algorithmus eine Genauigkeit von mehr als 96% erreicht hat)
• Vorhersage von Nutzerpräferenzen, z. B. eine Liste von Filmen oder gezielte Anzeigen.
• Vorhersage von Zeiten hoher Nachfrage nach Taxis oder flexiblen Arbeitskräften [2,3].

Wie werden künstliche Intelligenz und tiefes Lernen in der Medizin eingesetzt?

Deep Learning Computer Algorithmen basieren auf neuronale Netzwerke. Neuronale Netze basieren auf einem Rechenmodell, das von der Funktionsweise des biologischen Gehirns inspiriert ist. Eine große Anzahl verbundener Knoten wird als künstlich bezeichnet. Neuronen Sie ähneln biologischen Neuronen im Gehirn. Diese Systeme lernen die Eigenschaften eines Objekts, indem sie manuell beschriftete Daten wie "Hund" oder "Nicht-Hund" auswerten. Die erlernten Eigenschaften können verwendet werden, um auf die Natur eines neuen Bildes zu schließen.

Die Bilder werden ausgiebig zur Diagnose von Verletzungen und Krankheiten sowie in Studien zur menschlichen Anatomie und Physiologie. Fortgeschrittene medizinische Bildgebungstechniken umfassen Magnetresonanztomographie (Magnetresonanz), duale Röntgenabsorptiometrie, Ultraschallund Computertomographie (Connecticut) [4–10].

In der medizinischen Bildgebung werden Faltungs-Neuronale Netze verwendet, um "abnormal" oder "normal" zu bestimmen. Sie trainieren auf großen, beschrifteten Datenbanken mit medizinischen Bildern und stimmen mit der menschlichen Sicht überein oder übertreffen diese für die Objekterkennung in Bildern in Bereichen wie:

• Truhe Krebs
• Gehirn Tumor
• Hautkrebs
• Alzheimer-Krankheit [11,12].

Diese Computeralgorithmen können auf mehrere Geräte, Plattformen und Betriebssysteme skaliert werden, wodurch ihre Kosten gesenkt und ihre Verfügbarkeit für Diagnose und Forschung erhöht werden. Universitäten, Regierungen und Forschungsförderungsagenturen haben Möglichkeiten erkannt, die Früherkennung von Krankheiten wie Krebs, Herzerkrankungen, Diabetes und Demenz zu verbessern, und investieren stark in den Sektor.

Die von der US-amerikanischen Food and Drug Administration (FDA) für den klinischen Einsatz im September 2018 zugelassenen KI-Techniken umfassen Produkte für:

• Identifizieren Sie Anzeichen einer diabetischen Retinopathie in der Netzhautbildgebung
• Erkennen Sie Anzeichen eines Schlaganfalls bei CT-Scans
• Visualisieren Sie den Blutfluss im Herzen.
• Erkennen Sie Hautkrebs anhand von klinischen Bildern, die mit einer mobilen Anwendung aufgenommen wurden.

Wie wird künstliche Intelligenz bei der Diagnose von Hautkrebs eingesetzt?

Laut der US Skin Cancer Foundation wird in den USA jedes Jahr mehr Menschen mit Hautkrebs diagnostiziert als alle anderen Krebsarten zusammen [13]. Hautkrebs wird üblicherweise als klassifiziert Melanom oder Nicht-Melanom-Hautkrebs (die keratinozytisch Krebs basal Zelle Karzinomund schuppig Zellkarzinom). Hautkrebs kann schwierig von häufigen zu unterscheiden sein. gutartig Haut Verletzungenund das Auftreten von Melanomen ist besonders variabel. Dies bedeutet, dass:

• Hautkrebs kann übersehen werden, weil sie als harmlos gelten
• Eine große Anzahl harmloser Läsionen wird unnötigerweise chirurgisch entfernt, um einen potenziell gefährlichen Krebs nicht zu übersehen.

Dermatologen Hautläsionen durch visuelle Inspektion untersuchen und Dermoskopie. Sie nutzen ihre Expertise in der Mustererkennung, um zu bestimmen, welche Hautläsionen zur Diagnose oder Behandlung entfernt werden sollen. In den letzten Jahren gab es großes Interesse daran, KI-Algorithmen zu verwenden, um zu helfen Verletzung Diagnose. Es gibt eine Reihe von Hautläsionsdatensätzen, die öffentlich verfügbar sind, um die KI-Forschung zu unterstützen.

Forscher der Stanford University führten eine Dermatologe-Klassifizierung auf der Ebene von Hautkrebs mit einem Deep-Learning-Algorithmus in einem Datensatz von 129.450 klinischen Bildern, der 2.032 Hautkrankheiten umfasste [14]. Sie testeten ihren Algorithmus auch gegen 21 vom Board zertifizierte Dermatologen und stellten fest, dass die Leistung des Algorithmus im Ranking ihren Experten entsprach.

Die International Skin Imaging Collaboration (ISIC) bietet einen umfangreichen Satz öffentlicher Daten, die im September 2018 23.906 hatten dermoskopisch Bilder von mehr als 18 Arten von Hautläsionen. Seit 2016 veranstaltet ISIC außerdem eine jährliche Herausforderung zur Analyse von Hautläsionen zur Melanomerkennung. Ihr Herausforderungssieger im Jahr 2017 erreichte durch Unterscheidung eine Präzision von über 98% Melanome von gutartigen Maulwürfen [15]. ISIC schloss dann weitere Kategorien von Hautläsionen in die Herausforderung von 2018 ein, wie z. B. Basalzellkarzinom und aktinisch Keratose. Wir können erwarten, dass jedes Jahr mehr Präzision und mehr Hautläsionskategorien zum Wettbewerb hinzugefügt werden.

Algorithmen für maschinelles Lernen bei Hautläsionen

Um einen neuen Algorithmus für maschinelles Lernen bei Hautkrebs zu erstellen, wird jeder Art von Hautläsion eine Klasse zugewiesen. In seiner einfachsten Form kann es nur zwei Klassen geben; Zum Beispiel 'gutartig' und 'der Böse', oder'Nävus'und' Melanom '. Die ausgefeiltesten Algorithmen können mehrere Klassen auswerten.

Vor dem Testen eines Algorithmus mit einem neuen Bild trainieren Deep-Learning-Algorithmen eine große Anzahl von Bildern in jeder Klasse. Der Prozess besteht aus drei Hauptstufen (Abbildung 1).

Level 1

In Stufe 1 wird der Algorithmus mit Digital gespeist makroskopisch oder dermoskopische Bilder mit der Bezeichnung "fundamentale Wahrheit". (Die grundlegende Wahrheit in diesem Zusammenhang ist die Diagnose der Läsion, die von einem erfahrenen Dermatologen vergeben wird oder deren Ergebnis ist histopathologisch Prüfung.)

Stufe 2

In Stufe 2 extrahieren die Faltungsschichten (eine Reihe von Filtern, die auf die Eingabe angewendet werden, wie z. B. ein Bild) die Merkmalskarte aus den Bildern. Eine Feature-Map repräsentiert Daten mit mehreren Abstraktionsebenen.

• Anfängliche Faltungsschichten extrahieren Merkmale auf niedriger Ebene wie Kanten, Ecken und Formen.
• Die hinteren Faltungsschichten extrahieren Merkmale auf hoher Ebene, um die Art der Hautläsion zu erkennen (Abbildung 2).

Stufe 3

In Stufe 3 verwendet der Klassifizierer für maschinelles Lernen die Merkmalskarten zur Mustererkennung verschiedener Klassen von Hautläsionen. Mit dem Deep-Learning-Algorithmus kann jetzt ein neues Bild klassifiziert werden (Abbildung 3).

ABCD-Kriterien

Die klinischen ABCD-Kriterien, die von Nicht-Experten zur Erkennung verwendet werden pigmentiert Hautläsionen sind EINSymmetrie, zweiteunregelmäßige Reihenfolge, C.Farbvariation und ReDurchmesser größer als 6 mm (Abbildung 4). Siehe ABCDE für Melanome, einschließlich 'E' für michVolution.

A: Die Asymmetrieeigenschaft prüft, ob zwei Hälften der Hautläsion in Farbe und Form übereinstimmen (oder nicht). Die Läsionen sind entlang der langen Achse in zwei Hälften geteilt und entlang der kurzen Achse wieder geteilt. Melanom hat wahrscheinlich eine asymmetrisch Aussehen.

B: Die Kanteneigenschaft definiert, ob die Kanten der Hautläsion glatt und gut definiert sind oder nicht. Hautkrebs neigt dazu, ausgefranste Kanten zu haben.

C: Die Farbeigenschaft bewertet die Anzahl und Variabilität der Farben während der Hautläsion. Melanome und pigmentierte Basalzellkarzinome enthalten häufig Schattierungen von 3 bis 6 Farben (Schwarz, Braun, Dunkelbraun, Grau, Blau, Rot und Weiß) nevi und Sommersprossen neigen dazu, nur eine oder zwei Farben zu haben, die symmetrisch verteilt sind.

D: Die Durchmessereigenschaft misst den ungefähren Durchmesser der Hautläsion. Der Durchmesser bösartiger Hautläsionen ist normalerweise größer als 6 mm (die Größe eines Radiergummis).

Yang und seine Kollegen schlugen vor, die ABCD-Regel für Bildverarbeitungs- und maschinelle Lernalgorithmen zu übernehmen [16]. In ihrer Arbeit verglichen sie die Leistung ihres Systems mit der von Ärzten (Allgemein-, Junior- und Experten) und mit Deep-Learning-Algorithmen zur Diagnose von Hautläsionen, mit denen sie den Datensatz testen (Tabelle 1). Sie luden zwei Ärzte aus jeder Kategorie ein, um diese Aufgabe auszuführen.

Sie trainierten ihr System anhand ihres SD-198-Datensatzes für Hautkrankheiten mit 6.584 klinischen Bildern aus 198 verschiedenen Läsionskategorien und extrahierten Merkmale auf niedriger Ebene aus drei visuellen Komponenten: Textur, Farben und Kanten. Das CAD-System (Computer Aided Device) von Yang schnitt besser ab als der Deep-Learning-Algorithmus VGG-Net und ResNet und war mit der Leistung von Anfängern vergleichbar. Experten Dermatologen waren jedoch signifikant höher zum CAD-System.

Andere maschinelle Lernforschung zu Hautkrebs

IBM arbeitet auch an einem Tool für künstliche Intelligenz namens Watson, um Bilder von Hautläsionen zur Melanomerkennung zu analysieren. Ihr Gerät verwendet sechs wichtige Punkte, um die Wahrscheinlichkeit eines Melanoms zu analysieren und zu bestimmen: Farbe, Kantenunregelmäßigkeit, Grad der Asymmetrie, Blutzelle und Netzwerk, Ähnlichkeit mit Bildern von Hautläsionen in seiner Datenbank und Melanom-Score; Diese Kriterien ähneln den ABCD-Kriterien [17].

MetaOptima Technology Inc. hat seine DermEngine-Plattform gestartet, um einen Teledermatologiedienst bereitzustellen. Das visuelle Suchwerkzeug vergleicht ein vom Benutzer übermitteltes Bild mit ähnlichen Bildern in einer Datenbank von Tausenden von Pathologie-beschriftete Bilder von erfahrenen Dermatologen auf der ganzen Welt. Deep-Learning-Techniken werden verwendet, um verwandte Bilder basierend auf visuellen Merkmalen wie Farbe, Form und Muster zu finden. [18].

Was ist die Zukunft der künstlichen Intelligenz und der Hautkrebsdiagnose?

Forschung mit KI ist im Gange Fortschritt bei der Diagnose von Hautläsionen. AI wird jedoch medizinische Experten in naher Zukunft nicht ersetzen. Erstens muss ein Mensch die geeignete Verletzung für die Bewertung auswählen, häufig aus Hunderten kleinerer Verletzungen.

Die medizinische Diagnose basiert auf einer sorgfältigen Anamnese und der Prüfung der Patientenakten. Es berücksichtigt die ethnische Herkunft des Patienten, Haut, Haar Augenfarbe, Beruf, Krankheit, Medikamente, bestehende Sonnenschäden, die Anzahl der melanozytisch Nävi und Lebensgewohnheiten (wie Sonneneinstrahlung, Rauchen und Alkoholkonsum). Das Verhalten und die vorherige Behandlung der Verletzung sind ebenfalls der Schlüssel zur Diagnose.

KI kann eine zweite Meinung abgeben und verwendet werden, um eine vollständig gutartige Läsion wie einen melanozytären Naevus auszuschließen symmetrisch in Farbe und Struktur.

Diese Algorithmen werden sich unweigerlich mit verbesserter Genauigkeit bei der Erkennung potenziell bösartiger Hautläsionen weiterentwickeln, da die Datenbanken um mehr Bilder und mehr patienten- und läsionsspezifische Etiketten erweitert werden.