nach oben

29.03.2019 | Dermatologische Diagnostik | Fortbildung | Ausgabe 2/2019

Deep Learning

Melanomdiagnose mithilfe künstlicher Intelligenz

Zeitschrift:: hautnah dermatologie > Ausgabe 2/2019

Autoren:: Dr. med. Julia K. Winkler, Dr. med. Christine Fink, Dr. med. Ferdinand Toberer, Prof. Dr. med. Alexander Enk, Prof. Dr. med. Holger A. Hänßle

Für den praktizierenden Dermatologen ebenso wie für seine Patienten ist die Früherkennung des malignen Melanoms von zentraler Bedeutung. Der Patient setzt dabei großes Vertrauen in den diagnostischen Blick des Hautarztes. Ein erstes, zur klinischen Anwendung zugelassenenes Deep-Learning-Netzwerk kann dabei wertvolle Unterstützung leisten.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Jetzt einloggen Kostenlos registrieren

Garbe C et al. Diagnosis and treatment of melanoma. European consensus-based interdisciplinary guideline.Update. 2016; Eur J Cancer. 2016; 63: 201–17 PubMed

Balch CM et al. Final version of the American Joint Committee on Cancer staging system for cutaneous melanoma. J Clin Oncol. 2001; 19: 3635–48 CrossRef

Yamashita R et al. Convolutional neural networks: an overview and application in radiology. Insights Imaging. 2018; 9: 611–29 CrossRef

Du XL et al. Application of artificial intelligence in ophthalmology. Int J Ophthalmol. 2018; 11: 1555–61 PubMedPubMedCentral

Sun J et al. Comparison of deep learning architectures for H&E histopathology images. IEEE Conference on Big Data and Analytics (ICBDA). 2017; http://doi.org/czz5

Tschandl P et al. Diagnostic accuracy of content]based dermatoscopic image retrieval with deep classification features. Br J Dermatol. 2018; http://doi.org/czz3

Grob J et al. The ‘ugly duckling’ sign: identification of the common characteristics of nevi in an individual as a basis for -melanoma screening. Arch Dermatol. 1998; 134: 103–4 CrossRef

Friedman RJ et al. Early detection of malignant melanoma: the role of physician examination and self-examination of the skin. CA Cancer J Clin. 1985; 35: 130–51 CrossRef

Abbasi et al. Early diagnosis of cutaneous melanoma: revisiting the ABCD criteria. JAMA. 2004; 292: 2771–6 CrossRef

10.

Blum et al. The status of dermoscopy in Germany.results of the cross]sectional Pan]Euro]Dermoscopy Study. J Dtsch Dermatol Ges. 2018; 16: 174–81 PubMed

11.

Bafounta et al. Is dermoscopy (epiluminescence microscopy) useful for the diagnosis of melanoma?: Results of a meta-analysis using techniques adapted to the evaluation of diagnostic tests. Arch Dermatol. 2001; 137: 1343–50 CrossRef

12.

Vestergaard et al. Dermoscopy compared with naked eye examination for the diagnosis of primary melanoma: a meta]analysis of studies performed in a clinical setting. Br J Dermatol. 2008; 159: 669–76 PubMed

13.

Pehamberger H et al. In vivo epiluminescence microscopy of pigmented skin lesions. I. Pattern analysis of pigmented skin lesions. J Am Acad Dermatol. 1987. 17: 571–83 CrossRef

14.

Stolz W. ABCD rule of dermatoscopy: a new practical method for early recognition of malignant melanoma. Eur J Dermatol. 1994; 4: 521–7

15.

Menzies SW et al. Dermoscopic evaluation of nodular melanoma. JAMA. 2013; 149: 699–709

16.

Argenziano G. et al. Epiluminescence microscopy for the diagnosis of doubtful melanocytic skin lesions. Comparison of the ABCD rule of dermatoscopy and a new 7-point checklist based on pattern analysis. Arch Dermatol. 1998; 134: 1563–70 CrossRef

17.

Menzies SW et al. Frequency and morphologic characteristics of invasive melanomas lacking specific surface microscopic features. Arch Dermatol. 1996; 132: 1178–82 CrossRef

18.

Argenziano G et al. Seven-point checklist of dermoscopy revisited. Br J Dermatol. 2011; 164: 785–90 CrossRef

19.

Fink C et al. Strategien zur nichtinvasiven Diagnostik des Melanoms/ Strategies for the noninvasive diagnosis of melanoma. Der Hautarzt. 2016; 67: 519–28 CrossRef

20.

Okur E et al. A survey on automated melanoma detection. Eng Appl Artif Intell. 2018; 73: 50–67 CrossRef

21.

Dick V et al. Bildbasierte Computerdiagnose des Melanoms. Der Hautarzt. 2018; 69: 591–601 CrossRef

22.

Nasr-Esfahani E et al. Melanoma detection by analysis of clinical images using convolutional neural network. 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). 2016; http://doi.org/gcgk97

23.

Codella NCF et al. Skin lesion analysis toward melanoma detection: A challenge at the 2017 international symposium on biomedical imaging (ISBI), hosted by the international skin imaging collaboration (ISIC). IEEE 15th International Symposium on Biomedical Imaging (ISBI 2018). 2018; http://doi.org/czz6

24.

Tschandl P et al. The HAM10000 Dataset: A Large Collection of Multi-Source Dermatoscopic Images of Common Pigmented Skin Lesions. Sci Data. 2018; 5: 180161 CrossRef

25.

Brinker TJ et al. Skin Cancer Classification Using Convolutional Neural Networks: Systematic Review. J Med Internet Res. 2018; 20: e11936 CrossRef

26.

Esteva A et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017; 542: 115–8 CrossRef

27.

Haenssle HA et al. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Ann Oncol. 2018; 29: 1836–42 CrossRef

28.

The International Skin Imaging Collaboration (ISIC): Melanoma Project. https://www.isic-archive.com (zuletzt aufgerufen am 25.01.2019)

Titel: Deep Learning
Melanomdiagnose mithilfe künstlicher Intelligenz
Autoren:: Dr. med. Julia K. Winkler
Dr. med. Christine Fink
Dr. med. Ferdinand Toberer
Prof. Dr. med. Alexander Enk
Prof. Dr. med. Holger A. Hänßle
Publikationsdatum: 29.03.2019
Schlagwörter: Dermatologische Diagnostik
Diagnostik in der Onkologie
Melanom
Melanom
Nävi
DOI: https://doi.org/10.1007/s15012-019-3040-6
Verlag: Springer Medizin
Zeitschrift: hautnah dermatologie
Ausgabe 2/2019
Print ISSN: 0938-0221
Elektronische ISSN: 2196-6451

Neu im Fachgebiet Dermatologie

12.01.2021 | Maligne Tumoren der Haut | Nachrichten

Newsletter bestellen

Bildnachweise

Digitales dermatoskopisches Bild eines superfiziell spreitenden Melanoms/© H. Hänßle / Universitätshautklinik Heidelberg, Mail Icon II

Melanomdiagnose mithilfe künstlicher Intelligenz

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Mit dem Zweitbefund Diagnose- und Therapiefehler vermeiden

Milch für die Mutter schützt den Säugling

Ärzte werden bei Heilmitteln entlastet

Checkpoint-Hemmer verändern Risiko für Zweitmalignome

Newsletter

Springer Medizin

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Weitere Artikel der Ausgabe 2/2019

Intoleranz: zwischen Mode und Lebensgefahr

Psoriasis: Anti-IL-17-Inhibitor als Rescue-Therapie?

Von der Weide mitgebracht?

Haut und Knochen

Selbstkosten für Neurodermitispatienten

Extrakorporale Stoßwellentherapie

Neu im Fachgebiet Dermatologie

Mit dem Zweitbefund Diagnose- und Therapiefehler vermeiden

Milch für die Mutter schützt den Säugling

Ärzte werden bei Heilmitteln entlastet

Checkpoint-Hemmer verändern Risiko für Zweitmalignome

Newsletter