nach oben

Erschienen in:

27.07.2020 | Pflege | Leitthema

Künstliche Intelligenz und Smartphone-Programm-Applikationen (Apps)

Bedeutung für die dermatologische Praxis

verfasst von: Prof. Dr. A. Blum, M.Sc. DermPrevOncol, S. Bosch, H. A. Haenssle, C. Fink, R. Hofmann-Wellenhof, I. Zalaudek, H. Kittler, P. Tschandl

Erschienen in: Die Dermatologie | Ausgabe 9/2020

Einloggen, um Zugang zu erhalten

Zusammenfassung

Vorteile der künstlichen Intelligenz (KI)

Durch einen verantwortungsvollen, sicheren und erfolgreichen Einsatz der künstlichen Intelligenz (KI) im dermato-onkologischen Bereich können mögliche Vorteile entstehen: (1) die ärztlich-medizinische Arbeit kann sich auf Hautkrebspatienten fokussieren, (2) Patienten können rascher und effizienter versorgt werden bei zunehmender Hautkrebsinzidenz und parallel abnehmenden Zahlen beruflich aktiver Hautarzte, und (3) Anwender können von den KI-Ergebnissen lernen.

Potenzielle Nachteile und Gefahren des KI-Einsatzes

(1) Ein mangelndes Vertrauensverhältnis bei fehlendem Patienten-Arzt-Kontakt kann sich entwickeln, (2) ein zusätzlicher zeitlicher Aufwand kann durch die zeitnahe ärztliche Kontrolle von der KI als benigne eingestuften Hautläsionen entstehen, (3) ausreichende ärztliche Erfahrungen zum Erkennen und korrigieren fehlerhafter KI-Entscheidungen können fehlen, und (4) bei fehlerhafter KI-Entscheidung ist eine erneute Kontaktaufnahme zum Patienten zur zeitnahen Vorstellung notwendig. Ungeklärt sind bisher bei der KI-Anwendung die medizinisch-rechtliche Situation sowie die finanzielle Vergütung. Apps mit KI erbringen auf Basis von klinischen Bildern von Hauttumoren aktuell keine ausreichende diagnostische Hilfe.

Voraussetzungen und möglicher Nutzen von Smartphone-Programm-Applikationen

Smartphone-Programm-Applikationen (Apps) können verantwortungsvoll erfolgreich eingesetzt werden, wenn die Bildqualität gut ist, anamnestische Angaben unkompliziert eingegeben werden können, die Bild- und Befundübermittlung gesichert ist und medizinrechtliche sowie finanzielle Fragen geklärt sind. Apps können als krankheitsspezifisches Informationsmaterial eingesetzt werden und in der Teledermatologie die Patientenversorgung optimieren.

Wikipedia (2020) Artificial intelligence. https://en.wikipedia.org/wiki/Artificial_intelligence. Zugegriffen: 13. Apr. 2020

Wallis C (2019) How artificial intelligence will change medicine. Nature 576(7787):48

Lallas A, Argenziano G (2018) Artificial intelligence and melanoma diagnosis: ignoring human nature may lead to false predictions. Dermatol Pract Concept 8(4):249–251PubMedPubMedCentral

Navarrete-Dechent C, Dusza SW, Liopyris K, Marghoob AA, Halpern AC, Marchetti MA (2018) Automated dermatological diagnosis: hype or reality? J Invest Dermatol 138(10):2277–2279PubMed

Tschandl P (2019) Problems and potentials of automated object detection for skin cancer recognition. JAMA Dermatol. https://doi.org/10.1001/jamadermatol.2019.3360CrossRefPubMedPubMedCentral

Wikipedia (2020) Artificial intelligence in healthcare. https://en.wikipedia.org/wiki/Artificial_intelligence_in_healthcare. Zugegriffen: 13. Apr. 2020

Wikipedia (2020) Computer-aided diagnosis. https://en.wikipedia.org/wiki/Computer-aided_diagnosis. Zugegriffen: 13. Apr. 2020

Binder M, Steiner A, Schwarz M et al (1994) Application of an artificial neural network in epiluminescence microscopy pattern analysis of pigmented skin lesions: a pilot study. Br J Dermatol 130:460–465PubMed

Ercal F, Chawla A, Stoecker WV, Lee HC, Moss RH (1994) Neural network diagnosis of malignant melanoma from color images. IEEE Trans Biomed Eng 41(9):837–845PubMed

10.

Dreiseitl S, Binder M, Hable K, Kittler H (2009) Computer versus human diagnosis of melanoma: evaluation of the feasibility of an automated diagnostic system in a prospective clinical trial. Melanoma Res 19(3):180–184PubMed

11.

Dick V, Sinz C, Mittlböck M, Kittler H, Tschandl P (2019) Accuracy of computer-aided diagnosis of melanoma: a meta-analysis. JAMA Dermatol. https://doi.org/10.1001/jamadermatol.2019.1375CrossRefPubMedPubMedCentral

12.

Esteva A, Kuprel B, Novoa RA et al (2017) Dermatologist-level classification of skin cancer with deep neural networks. Nature 542(7639):115–118

13.

Brinker TJ, Hekler A, Utikal JS et al (2018) Skin cancer classification using convolutional neural networks: systematic review. J Med Internet Res 20(10):e11936PubMedPubMedCentral

14.

Haenssle HA, 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 29:1836–1842PubMed

15.

Narla A, Kuprel B, Sarin K et al (2018) Automated classification of skin lesions: from pixels to practice. J Invest Dermatol 138:2108–2110PubMed

16.

Brinker TJ, Hekler A, Enk AH et al (2019) Deep neural networks are superior to dermatologists in melanoma image classification. Eur J Cancer 119:11–17PubMed

17.

Brinker TJ, Hekler A, Enk AH et al (2019) Deep learning outperformed 136 of 157 dermatologists in a head-to-head dermoscopic melanoma image classification task. Eur J Cancer 113:47–54PubMed

18.

Fink C, Blum A, Buhl T et al (2019) Diagnostic performance of a deep learning convolutional neural network in the differentiation of combined nevi and melanomas. J Eur Acad Dermatol Venereol. https://doi.org/10.1111/jdv.16165CrossRef

19.

Tschandl P, Rosendahl C, Akay BN et al (2019) Expert-level diagnosis of nonpigmented skin cancer by combined convolutional neural networks. JAMA Dermatol 155:58–65PubMed

20.

Tschandl P, Codella N, Akay BN et al (2019) 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 20:938–947PubMed

21.

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 127:21–29PubMed

22.

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(1):137–143PubMed

23.

Han SS, Moon IJ, Lim W et al (2020) Keratinocytic skin cancer detection on the face using region-based convolutional neural network. JAMA Dermatol 156(1):29–37

24.

Tschandl P, Argenziano G, Razmara M, Yap J (2019) Diagnostic accuracy of content-based dermatoscopic image retrieval with deep classification features. Br J Dermatol 181(1):155–165PubMed

25.

Li Y, Esteva A, Kuprel B, Novoa R, Ko J, Thrun S (2016) Skin cancer detection and tracking using data synthesis and deep learning (arXiv:1612.01074)

26.

Blum A, Hofmann-Wellenhof R, Luedtke H et al (2004) Value of the clinical history for different users of dermoscopy compared with results of digital analysis. J Eur Acad Dermatol Venereol 18:665–669PubMed

27.

Tschandl P, Rosendahl C, Kittler H (2018) The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions. Sci Data 5:180161PubMedPubMedCentral

28.

Marchetti MA, Liopyris K, Dusza SW et al (2020) Computer algorithms show potential for improving dermatologists’ accuracy to diagnose cutaneous melanoma: Results of the International Skin Imaging Collaboration 2017. J Am Acad Dermatol 82(3):622–627PubMed

29.

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. https://doi.org/10.1001/jamadermatol.2019.1735CrossRefPubMedPubMedCentral

30.

Shrivastava VK, Londhe ND, Sonawane RS, Suri JS (2016) Computer-aided diagnosis of psoriasis skin images with HOS, texture and color features: a first comparative study of its kind. Comput Methods Programs Biomed 126:98–109PubMed

31.

Han SS, Park GH, Lim W, Kim MS, Na JI, Park I, Chang SE (2018) Deep neural networks show an equivalent and often superior performance to dermatologists in onychomycosis diagnosis: automatic construction of onychomycosis datasets by region-based convolutional deep neural network. PLoS ONE 13(1):e191493PubMedPubMedCentral

32.

Melina A, Dinh NN, Tafuri B et al (2018) Artificial intelligence for the objective evaluation of acne investigator global assessment. J Drugs Dermatol 17(9):1006–1009PubMed

33.

Bobrova M, Taranik M, Kopanitsa G (2019) Using neural networks for diagnosing in dermatology. Stud Health Technol Inform 261:211–216PubMed

34.

Li CX, Shen CB, Xue K et al (2019) Artificial intelligence in dermatology: past, present, and future. Chin Med J 132(17):2017–2020PubMedPubMedCentral

35.

Schlessinger DI, Chhor G, Gevaert O, Swetter SM, Ko J, Novoa RA (2019) Artificial intelligence and dermatology: opportunities, challenges, and future directions. Semin Cutan Med Surg 38(1):E31–37PubMed

36.

Seité S, Khammari A, Benzaquen M, Moyal D, Dréno B (2019) Development and accuracy of an artificial intelligence algorithm for acne grading from smartphone photographs. Exp Dermatol 28(11):1252–1257PubMedPubMedCentral

37.

Hogarty DT, Su JC, Phan K et al (2020) Artificial intelligence in dermatology—Where we are and the way to the future: a review. Am J Clin Dermatol 21(1):41–47PubMed

38.

Anonymous (2020) Checkliste für Gesundheits-Apps. Qualität, Nutzen, Transparenz und Datenschutz weisen große Unterschiede auf. Arztebl Baden Wurtt 04:199

39.

bitkom (2019) Digital health. https://www.bitkom.org/sites/default/files/2019-05/190508_bitkom-pressekonferenz_e-health_prasentation.pdf. Zugegriffen: 13. Apr. 2020

40.

Börve A, Terstappen K, Sandberg C, Paoli J (2013) Mobile teledermoscopy—There’s an app for that! Dermatol Pract Concept. https://doi.org/10.5826/dpc.0302a05CrossRefPubMedPubMedCentral

41.

Augustin M, Wimmer J, Biedermann T, Blaga R, Dierks C, Djamei V et al (2018) Praxis der Teledermatologie. J Dtsch Dermatol Ges 16(Suppl 5):6–57PubMed

42.

Dahlén Gyllencreutz J, Johansson Backman E, Terstappen K, Paoli J (2018) Teledermoscopy images acquired in primary health care and hospital settings—A comparative study of image quality. J Eur Acad Dermatol Venereol 32(6):1038–1043PubMed

43.

Freeman EE, Semeere A, Osman H et al (2018) Smartphone confocal microscopy for imaging cellular structures in human skin in vivo. Biomed Opt Express 9(4):1906–1915PubMedPubMedCentral

44.

Alves J, Moreira D, Alves P, Rosado L, Vasconcelos MJM (2019) Automatic focus assessment on dermoscopic images acquired with smartphones. Sensors (Basel) 19(22):4957

45.

Blum A, Haase S, Barlinn S et al (2020) Erfolgreiche regionale tele-dermatologische und tele-dermatoskopische Triage-Vernetzung zwischen niedergelassen Hausärzten und Hautärzten. Hautarzt. https://doi.org/10.1007/s00105-020-04584-5CrossRefPubMed

46.

Marek AJ, Chu EY, Ming ME, Khan ZA, Kovarik CL (2018) Piloting the use of smartphones, reminders, and accountability partners to promote skin self-examinations in patients with total body photography: a randomized controlled trial. Am J Clin Dermatol 19(5):779–785PubMedPubMedCentral

47.

Verzantvoort NCM, Teunis T, Verheij TJM, van der Velden AW (2018) Self-triage for acute primary care via a smartphone application: practical, safe and efficient? PLoS ONE 13(6):e199284PubMedPubMedCentral

48.

Petrie T, Samatham R, Goodyear SM, Webster DE, Leachman SA (2019) MoleMapper: an application for crowdsourcing mole images to advance melanoma early-detection research. Semin Cutan Med Surg 38(1):E49–E56PubMed

49.

Walter FM, Pannebakker MM, Barclay ME et al (2020) Effect of a skin self-monitoring smartphone application on time to physician consultation among patients with possible melanoma: a phase 2 randomized clinical trial. JAMA Netw Open 3(2):e200001PubMedPubMedCentral

50.

Nair HKR (2018) Increasing productivity with smartphone digital imagery wound measurements and analysis. J Wound Care 27(Sup9a):S12–S19PubMed

51.

Safdari R, Firoz A, Masoorian H (2017) Identifying training and informational components to develop a psoriasis self-management application. Med J Islam Repub Iran 1(31):67

52.

Lacy FA, Coman GC, Holliday AC, Kolodney MS (2018) Assessment of smartphone application for teaching intuitive visual diagnosis of melanoma. JAMA Dermatol 154(6):730–731PubMedPubMedCentral

53.

van Galen LS, Xu X, Koh MJA, Thng S, Car J (2020) Eczema apps conformance with clinical guidelines: a systematic assessment of functions, tools and content. Br J Dermatol 182(2):444–453PubMed

54.

Chuchu N, Takwoingi Y, Dinnes J et al (2018) Smartphone applications for triaging adults with skin lesions that are suspicious for melanoma. Cochrane Database Syst Rev 4(12):CD13192

55.

Börve A, Dahlén Gyllencreutz J et al (2015) Smartphone teledermoscopy referrals: a novel process for improved triage of skin cancer patients. Acta Derm Venereol 95(2):186–190PubMed

56.

Nami N, Massone C, Rubegni P, Cevenini G, Fimiani M, Hofmann-Wellenhof R (2015) Concordance and time estimation of store-and-forward mobile teledermatology compared to classical face-to-face consultation. Acta Derm Venereol 95(1):35–39PubMed

57.

Vestergaard T, Prasad SC, Schuster A, Laurinaviciene R, Andersen MK, Bygum A (2020) Diagnostic accuracy and interobserver concordance: teledermoscopy of 600 suspicious skin lesions in Southern Denmark. J Eur Acad Dermatol Venereol. https://doi.org/10.1111/jdv.16275CrossRefPubMedPubMedCentral

58.

Gilling S, Mortz CG, Vestergaard T (2020) Patient satisfaction and expectations regarding mobile teledermoscopy in general practice for diagnosis of non-melanoma skin cancer and malignant melanoma. Acta Derm Venereol. https://doi.org/10.2340/00015555-3459CrossRefPubMed

59.

Gracey LE, Zan S, Gracz J (2018) Use of user-centered design to create a smartphone application for patient-reported outcomes in atopic dermatitis. NPJ Digit Med 13(1):33

60.

Devrim İ, Düzgöl M, Kara A et al (2019) Reliability and accuracy of smartphones for paediatric infectious disease consultations for children with rash in the paediatric emergency department. BMC Pediatr 19(1):40PubMedPubMedCentral

61.

Ming A, Walter I, Alhajjar A, Leuckert M, Mertens PR (2019) Study protocol for a randomized controlled trial to test for preventive effects of diabetic foot ulceration by telemedicine that includes sensor-equipped insoles combined with photo documentation. Trials 20(1):521PubMedPubMedCentral

62.

Blum A, Giacomel J (2015) “Tape dermatoscopy”: constructing a low-cost dermatoscope using a mobile phone, immersion fluid and transparent adhesive tape. Dermatol Pract Concept 5(2):87–93PubMedPubMedCentral

63.

Blum A, Oberhoff M, Oberhoff A (2019) Diskrete Nagelpigmentierung als ein Hinweis für ein frühes Melanom. Dtsch Arztebl Int 116:335PubMedPubMedCentral

64.

Brinker TJ, Hekler A, von Kalle C et al (2018) Teledermatology: comparison of store-and-forward versus live interactive video conferencing. J Med Internet Res 20(10):e11871PubMedPubMedCentral

65.

Finnane A, Soyer HP (2015) Smartphone diagnosis of skin cancer: there’s not yet an app for that. Br J Dermatol 172(6):1474–1475PubMed

66.

Ngoo A, Finnane A, McMeniman E, Tan JM, Janda M, Soyer HP (2018) Efficacy of smartphone applications in high-risk pigmented lesions. Australas J Dermatol 59(3):e175–e182PubMed

67.

Chung Y, van der Sande AAJ, de Roos KP et al (2020) Poor agreement between the automated risk assessment of a smartphone application for skin cancer detection and the rating by dermatologists. J Eur Acad Dermatol Venereol 34(2):274–278PubMed

68.

Freeman K, Dinnes J, Chuchu N et al (2020) Algorithm based smartphone apps to assess risk of skin cancer in adults: systematic review of diagnostic accuracy studies. BMJ 368:m127PubMedPubMedCentral

69.

Udrea A, Mitra GD, Costea D et al (2020) Accuracy of a smartphone application for triage of skin lesions based on machine learning algorithms. J Eur Acad Dermatol Venereol 34(3):648–655PubMed

70.

Acharya P, Mathur M (2020) Smartphone applications for the triage of skin lesions using machine learning: time to integrate the clinical information? J Eur Acad Dermatol Venereol. https://doi.org/10.1111/jdv.16371CrossRefPubMed

71.

Errichetti E, Zalaudek I, Kittler H et al (2020) Standardization of dermoscopic terminology and basic dermoscopic parameters to evaluate in general dermatology (non-neoplastic dermatoses): an expert consensus on behalf of the International Dermoscopy Society. Br J Dermatol 182:454–467PubMed

72.

Nwko-Mohamadi M, Masenga JE, Mavura D et al (2019) Dermoscpic features of psoriasis, lichen planus and pityriasis rosea in patients with skin types IV and darker attending the regional dermatology training centre of Nothern Tanzania. Dermatol Pract Concept 9(1):44–51

73.

Deeks JJ, Dinnes J, Williams HC (2020) Sensitivity and specificity of skinvision are likely to have been overestimated. J Eur Acad Dermatol Venereol. https://doi.org/10.1111/jdv.16371CrossRefPubMed

74.

Panda N, Solsky I, Huang EJ et al (2019) Using Smartphones to capture novel recovery metrics after cancer surgery. JAMA Surg 28:1–7

75.

Ruiz AJ, LaRochelle EPM, Gunn JR et al (2019) Smartphone fluorescence imager for quantitative dosimetry of protoporphyrin-IX-based photodynamic therapy in skin. J Biomed Opt 25(6):1–13PubMed

76.

DaCunha M, Habashi-Daniel A, Hanson C, Nichols E, Fraga GR (2020) A smartphone application to improve the precision of biopsy site identification: a proof-of-concept study. Health Informatics J. https://doi.org/10.1177/1460458220910341CrossRefPubMed

Titel: Künstliche Intelligenz und Smartphone-Programm-Applikationen (Apps)
Bedeutung für die dermatologische Praxis
verfasst von: Prof. Dr. A. Blum, M.Sc. DermPrevOncol
S. Bosch
H. A. Haenssle
C. Fink
R. Hofmann-Wellenhof
I. Zalaudek
H. Kittler
P. Tschandl
Publikationsdatum: 27.07.2020
Verlag: Springer Medizin
Schlagwörter: Pflege
Künstliche Intelligenz
Erschienen in: Die Dermatologie / Ausgabe 9/2020
Print ISSN: 2731-7005
Elektronische ISSN: 2731-7013
DOI: https://doi.org/10.1007/s00105-020-04658-4

Leitlinien kompakt für die Dermatologie

Mit medbee Pocketcards sicher entscheiden.

^{Seit 2022 gehört die medbee GmbH zum Springer Medizin Verlag}

Kostenlos registrieren

Neu im Fachgebiet Dermatologie

22.04.2024 | DGIM 2024 | Nachrichten

Update Dermatologie

Bestellen Sie unseren Fach-Newsletter und bleiben Sie gut informiert.

Newsletter bestellen

Springer Medizin

Künstliche Intelligenz und Smartphone-Programm-Applikationen (Apps)

Bedeutung für die dermatologische Praxis

Zusammenfassung

Vorteile der künstlichen Intelligenz (KI)

Potenzielle Nachteile und Gefahren des KI-Einsatzes

Voraussetzungen und möglicher Nutzen von Smartphone-Programm-Applikationen

Leitlinien kompakt für die Dermatologie

Neu im Fachgebiet Dermatologie

Auf diese Krankheiten bei Geflüchteten sollten Sie vorbereitet sein

Kein Abstrich bei chronischen Wunden ohne Entzündungszeichen!

„Nur wer sich gut aufgehoben fühlt, kann auch für Patientensicherheit sorgen“

Vitiligo: Prävalenz steigt und viele Erkrankte werden spät behandelt

Update Dermatologie

Springer Medizin

Zusammenfassung

Vorteile der künstlichen Intelligenz (KI)

Potenzielle Nachteile und Gefahren des KI-Einsatzes

Voraussetzungen und möglicher Nutzen von Smartphone-Programm-Applikationen

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

Weitere Artikel der Ausgabe 9/2020

Therapieresistenter erosiver Nodus an der Wange einer 7‑Jährigen

Periorbitale erythematöse Plaques und Papeln bei einem HIV-positiven Patienten

Künstliche Intelligenz zur Unterstützung der Telemedizin am Beispiel Afrikas

Laudatio für Univ. Prof. Dr. Peter Fritsch zum 80. Geburtstag

Kann sich SARS-CoV-2 an der Haut manifestieren?

Künstliche Intelligenz in der Bildanalyse – Grundlagen und neue Entwicklungen

Leitlinien kompakt für die Dermatologie

Neu im Fachgebiet Dermatologie

Auf diese Krankheiten bei Geflüchteten sollten Sie vorbereitet sein

Kein Abstrich bei chronischen Wunden ohne Entzündungszeichen!

„Nur wer sich gut aufgehoben fühlt, kann auch für Patientensicherheit sorgen“

Vitiligo: Prävalenz steigt und viele Erkrankte werden spät behandelt

Update Dermatologie