Skip to main content
Erschienen in: Die Dermatologie 11/2022

12.09.2022 | Künstliche Intelligenz | Leitthema

Bilderkennung mittels künstlicher Intelligenz in der Hautkrebsdiagnostik

verfasst von: Dr. Julia K. Winkler, Holger A. Haenssle

Erschienen in: Die Dermatologie | Ausgabe 11/2022

Einloggen, um Zugang zu erhalten

Zusammenfassung

Faltende neuronale Netzwerke (CNN) erzielen bei der Beurteilung von pigmentierten und nicht pigmentierten Hautveränderungen bereits eine vergleichbare oder sogar überlegene Leistung gegenüber Dermatolog*innen. Bei der Analyse von Bildern durch künstliche neuronale Netzwerke durchlaufen diese auf Pixelebene verschiedene Schichten mit diversen grafischen Filtern. Basierend auf hervorragenden Studienergebnissen erhielt ein erstes Deep-learning-Netzwerk (Moleanalyzer pro, Fotofinder Systems GmbH, Bad Birnbach, Deutschland) in Europa die Marktzulassung. Solche Netzwerke weisen jedoch auch wichtige Limitationen auf, seltenere Entitäten mit unzureichenden Trainingsbildern werden weniger gut klassifiziert, ebenso können Bildartefakte zu Fehldiagnosen führen. In einer Kooperation von „Mensch mit Maschine“ sind letztendlich die besten Ergebnisse zu erzielen. Im Hinblick auf die Zukunft des Hautkrebsscreenings wird das automatisierte Ganzkörpermapping evaluiert, das Ganzkörperfotografie sowie automatisierte Erfassung und Bewertung sämtlicher relevanter Hautläsionen kombiniert.
Literatur
1.
Zurück zum Zitat Argenziano G, Catricala C, Ardigo M et al (2011) Seven-point checklist of dermoscopy revisited. Br J Dermatol 164:785–790 CrossRef Argenziano G, Catricala C, Ardigo M et al (2011) Seven-point checklist of dermoscopy revisited. Br J Dermatol 164:785–790 CrossRef
2.
Zurück zum Zitat Balch CM, Buzaid AC, Soong S‑J et al (2001) Final version of the American Joint Committee on Cancer staging system for cutaneous melanoma. J Clin Oncol 19:3635–3648 CrossRef Balch CM, Buzaid AC, Soong S‑J et al (2001) Final version of the American Joint Committee on Cancer staging system for cutaneous melanoma. J Clin Oncol 19:3635–3648 CrossRef
4.
Zurück zum Zitat Brinker TJ, Hekler A, Utikal JS et al (2018) Skin cancer classification using convolutional neural networks: systematic review. J Med Internet Res 20:e11936 CrossRef Brinker TJ, Hekler A, Utikal JS et al (2018) Skin cancer classification using convolutional neural networks: systematic review. J Med Internet Res 20:e11936 CrossRef
5.
Zurück zum Zitat Brinker TJ, Schmitt M, Krieghoff-Henning EI et al (2022) Diagnostic performance of artificial intelligence for histologic melanoma recognition compared to 18 international expert pathologists. J Am Acad Dermatol 86:640–642 CrossRef Brinker TJ, Schmitt M, Krieghoff-Henning EI et al (2022) Diagnostic performance of artificial intelligence for histologic melanoma recognition compared to 18 international expert pathologists. J Am Acad Dermatol 86:640–642 CrossRef
6.
Zurück zum Zitat Dick V, Tschandl P, Sinz C et al (2018) Bildbasierte Computerdiagnose des Melanoms. Hautarzt 69:591–601 CrossRef Dick V, Tschandl P, Sinz C et al (2018) Bildbasierte Computerdiagnose des Melanoms. Hautarzt 69:591–601 CrossRef
7.
Zurück zum Zitat Esteva A, Kuprel B, Novoa RA et al (2017) Dermatologist-level classification of skin cancer with deep neural networks. Nature 542:115 CrossRef Esteva A, Kuprel B, Novoa RA et al (2017) Dermatologist-level classification of skin cancer with deep neural networks. Nature 542:115 CrossRef
8.
Zurück zum Zitat Haenssle H, Fink C, Schneiderbauer R et al (2018) Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Ann Oncol 29:1836–1842 CrossRef Haenssle H, Fink C, Schneiderbauer R et al (2018) Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Ann Oncol 29:1836–1842 CrossRef
9.
Zurück zum Zitat Haenssle HA, Fink C, Toberer F et al (2020) Man against machine reloaded: performance of a market-approved convolutional neural network in classifying a broad spectrum of skin lesions in comparison with 96 dermatologists working under less artificial conditions. Ann Oncol 31:137–143 CrossRef Haenssle HA, Fink C, Toberer F et al (2020) Man against machine reloaded: performance of a market-approved convolutional neural network in classifying a broad spectrum of skin lesions in comparison with 96 dermatologists working under less artificial conditions. Ann Oncol 31:137–143 CrossRef
10.
Zurück zum Zitat Haenssle HA, Winkler JK, Fink C et al (2021) Skin lesions of face and scalp—classification by a market-approved convolutional neural network in comparison with 64 dermatologists. Eur J Cancer 144:192–199 CrossRef Haenssle HA, Winkler JK, Fink C et al (2021) Skin lesions of face and scalp—classification by a market-approved convolutional neural network in comparison with 64 dermatologists. Eur J Cancer 144:192–199 CrossRef
11.
Zurück zum Zitat Lecun Y, Bengio Y, Hinton G (2015) Deep learning. Nature 521:436–444 CrossRef Lecun Y, Bengio Y, Hinton G (2015) Deep learning. Nature 521:436–444 CrossRef
12.
Zurück zum Zitat Malvehy J, Puig S (2002) Follow-up of melanocytic skin lesions with digital total-body photography and digital dermoscopy: a two-step method. Clin Dermatol 20:297–304 CrossRef Malvehy J, Puig S (2002) Follow-up of melanocytic skin lesions with digital total-body photography and digital dermoscopy: a two-step method. Clin Dermatol 20:297–304 CrossRef
13.
Zurück zum Zitat Nelson CA, Pérez-Chada LM, Creadore A et al (2020) Patient perspectives on the use of artificial intelligence for skin cancer screening: a qualitative study. JAMA Dermatol 156:501–512 CrossRef Nelson CA, Pérez-Chada LM, Creadore A et al (2020) Patient perspectives on the use of artificial intelligence for skin cancer screening: a qualitative study. JAMA Dermatol 156:501–512 CrossRef
14.
Zurück zum Zitat Rinner C, Kittler H, Rosendahl C et al (2020) Analysis of collective human intelligence for diagnosis of pigmented skin lesions harnessed by gamification via a web-based training platform: simulation reader study. J Med Internet Res 22:e15597 CrossRef Rinner C, Kittler H, Rosendahl C et al (2020) Analysis of collective human intelligence for diagnosis of pigmented skin lesions harnessed by gamification via a web-based training platform: simulation reader study. J Med Internet Res 22:e15597 CrossRef
15.
Zurück zum Zitat Salerni G, Carrera C, Lovatto L et al (2012) Benefits of total body photography and digital dermatoscopy (“two-step method of digital follow-up”) in the early diagnosis of melanoma in patients at high risk for melanoma. J Am Acad Dermatol 67:e17–e27 CrossRef Salerni G, Carrera C, Lovatto L et al (2012) Benefits of total body photography and digital dermatoscopy (“two-step method of digital follow-up”) in the early diagnosis of melanoma in patients at high risk for melanoma. J Am Acad Dermatol 67:e17–e27 CrossRef
16.
Zurück zum Zitat Tschandl P, Codella N, Akay BN et al (2020) Comparison of the accuracy of human readers versus machine-learning algorithms for pigmented skin lesion classification: an open, web-based, international, diagnostic study. Lancet Oncol 20(7):938–947 CrossRef Tschandl P, Codella N, Akay BN et al (2020) Comparison of the accuracy of human readers versus machine-learning algorithms for pigmented skin lesion classification: an open, web-based, international, diagnostic study. Lancet Oncol 20(7):938–947 CrossRef
17.
Zurück zum Zitat Tschandl P, Hofmann L, Fink C et al (2017) Melanomas vs. nevi in high-risk patients under long-term monitoring with digital dermatoscopy: Do melanomas and nevi already differ at baseline? J Eur Acad Dermatol Venerol 31:972–977 CrossRef Tschandl P, Hofmann L, Fink C et al (2017) Melanomas vs. nevi in high-risk patients under long-term monitoring with digital dermatoscopy: Do melanomas and nevi already differ at baseline? J Eur Acad Dermatol Venerol 31:972–977 CrossRef
18.
Zurück zum Zitat Tschandl P, Rinner C, Apalla Z et al (2020) Human-computer collaboration for skin cancer recognition. Nat Med 26(8):1229–1234 CrossRef Tschandl P, Rinner C, Apalla Z et al (2020) Human-computer collaboration for skin cancer recognition. Nat Med 26(8):1229–1234 CrossRef
20.
Zurück zum Zitat Urban K, Mehrmal S, Uppal P et al (2021) The global burden of skin cancer: a longitudinal analysis from the Global Burden of Disease Study, 1990–2017. JAAD Int 2:98–108 CrossRef Urban K, Mehrmal S, Uppal P et al (2021) The global burden of skin cancer: a longitudinal analysis from the Global Burden of Disease Study, 1990–2017. JAAD Int 2:98–108 CrossRef
21.
Zurück zum Zitat Vestergaard M, Macaskill P, Holt P et al (2008) 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 159:669–676 PubMed Vestergaard M, Macaskill P, Holt P et al (2008) 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 159:669–676 PubMed
22.
Zurück zum Zitat Winkler JK, Fink C, Toberer F et al (2019) Association between surgical skin markings in dermoscopic images and diagnostic performance of a deep learning convolutional neural network for melanoma recognition. JAMA Dermatol 155(10):1135–1141 CrossRef Winkler JK, Fink C, Toberer F et al (2019) Association between surgical skin markings in dermoscopic images and diagnostic performance of a deep learning convolutional neural network for melanoma recognition. JAMA Dermatol 155(10):1135–1141 CrossRef
23.
Zurück zum Zitat Winkler JK, Sies K, Fink C et al (2021) Collective human intelligence outperforms artificial intelligence in a skin lesion classification task. J Dtsch Dermatol Ges 19:1178–1184 PubMed Winkler JK, Sies K, Fink C et al (2021) Collective human intelligence outperforms artificial intelligence in a skin lesion classification task. J Dtsch Dermatol Ges 19:1178–1184 PubMed
24.
Zurück zum Zitat Winkler JK, Sies K, Fink C et al (2021) Association between different scale bars in dermoscopic images and diagnostic performance of a market-approved deep learning convolutional neural network for melanoma recognition. Eur J Cancer 145:146–154 CrossRef Winkler JK, Sies K, Fink C et al (2021) Association between different scale bars in dermoscopic images and diagnostic performance of a market-approved deep learning convolutional neural network for melanoma recognition. Eur J Cancer 145:146–154 CrossRef
25.
Zurück zum Zitat Winkler JK, Sies K, Fink C et al (2020) Melanoma recognition by a deep learning convolutional neural network—performance in different melanoma subtypes and localisations. Eur J Cancer 127:21–29 CrossRef Winkler JK, Sies K, Fink C et al (2020) Melanoma recognition by a deep learning convolutional neural network—performance in different melanoma subtypes and localisations. Eur J Cancer 127:21–29 CrossRef
26.
Zurück zum Zitat Winkler JK, Tschandl P, Toberer F et al (2022) Monitoring patients at risk for melanoma: May convolutional neural networks replace the strategy of sequential digital dermoscopy? Eur J Cancer 160:180–188 CrossRef Winkler JK, Tschandl P, Toberer F et al (2022) Monitoring patients at risk for melanoma: May convolutional neural networks replace the strategy of sequential digital dermoscopy? Eur J Cancer 160:180–188 CrossRef
Metadaten
Titel
Bilderkennung mittels künstlicher Intelligenz in der Hautkrebsdiagnostik
verfasst von
Dr. Julia K. Winkler
Holger A. Haenssle
Publikationsdatum
12.09.2022
Verlag
Springer Medizin
Erschienen in
Die Dermatologie / Ausgabe 11/2022
Print ISSN: 2731-7005
Elektronische ISSN: 2731-7013
DOI
https://doi.org/10.1007/s00105-022-05058-6

Weitere Artikel der Ausgabe 11/2022

Die Dermatologie 11/2022 Zur Ausgabe

Newsletter

Bestellen Sie unseren kostenlosen Newsletter Update Onkologie und bleiben Sie gut informiert – ganz bequem per eMail.