Diagnostik

Zusätzlich können Nahaufnahmen von einzelnen Läsionen (Malen) angefertigt werden. Hier ist eine der häufigsten Fragen die Unterscheidung zwischen gut- und bösartigen Läsionen. So wurde in einer Studie von Haenssle et al. ein künstliches neuronales Netzwerk (Convolutional Neural Network, CNN) mit 96 Dermatolog*innen verglichen, um Hautveränderungen anhand von Bildern zu diagnostizieren. Die KI erreichte eine hohe Genauigkeit bei der Erkennung von Hautkrebs (95% Sensitivität, 77% Spezifität). Die Dermatolog*innen verbesserten ihre Trefferquote, wenn sie zusätzlich klinische Bilder und Informationen erhielten. Insgesamt schnitt die KI ähnlich gut ab wie die Ärzt*innen, wurde aber von erfahrenen Dermatolog*innen teilweise übertroffen. Die Studie zeigt, dass KI und Ärzte unter realistischeren Bedingungen vergleichbar gute Ergebnisse liefern, wobei Ärzt*innen durch zusätzliche Informationen profitieren. [6] Allerdings fehlt herkömmlichen KI-Systemen oft die Nachvollziehbarkeit ihrer Entscheidungen, was die Akzeptanz bei Ärzt*innen einschränken kann.

Eine weitere neue Studie hat nun gezeigt: Erklärbare KI-Systeme (XAI [Explainable Artificial Intelligence]), die ihre Diagnosen mit klaren, fachspezifischen Erklärungen versehen, erhöhen die Diagnosegenauigkeit signifikant und stärken das Vertrauen sowie die Sicherheit der Hautärzte bei der Befundung. Besonders bei komplexen Fällen führt der Einsatz von XAI zu einer besseren Entscheidungsfindung. [7,8]

Auch nach Entfernung einer Hautläsion oder von Lymphknoten kann auf histologischer Ebene der Nachweis von z.B. Tumorzellen KI-basiert unterstützt werden. [9] Relevant und Zustand der aktuellen Forschung ist hier insbesondere auch die verbesserte Diagnose von schwer zu diagnostizierbaren Hauttumoren, z.B. kindlichen Melanomen oder auch von familiär auftretendem Hautkrebs.

Für die Zukunft von großem Interesse können Modelle sein, die TBP sowie Einzelaufnahmen in ihre Modelle integrieren. PanDerm ist ein multimodales dermatologisches Basismodell, das mithilfe selbstüberwachten Lernens auf über 2 Millionen realen Hautbildern aus 11 Kliniken und 4 Bildgebungsmodalitäten vortrainiert wurde. Es zeigt großes Potenzial zur Verbesserung der Patient*innenversorgung und dient als Vorbild für ähnliche Modelle in anderen medizinischen Bereichen. [10]

Es gibt mehrere Bereiche, in denen KI die Hautkrebs-Früherkennung durch die Medizinerin bzw. den Mediziner unterstützen kann. Hervorzuheben sind in diesem Kontext insbesondere auch Patient*innen mit erhöhtem Hautkrebs Risiko (familiäre Naevi- und Melanom-Syndrome, Patient*innen mit der vorherigen Diagnose eines oder mehrerer primärer Melanome, Patient*innen mit einer hohen Anzahl veränderter oder dysplastischer Naevi).