nach oben

Erschienen in:

29.08.2019 | Melanom | Dermatoonkologie

Deep Learning

Melanomdiagnose mithilfe künstlicher Intelligenz

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

Erschienen in: Im Fokus Onkologie | Ausgabe 4/2019

Einloggen, um Zugang zu erhalten

Zusammenfassung

Für den praktizierenden Dermatologen und 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.

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

Balch CM et al. Final version of the American Joint Committee on Cancer staging system for cutaneous melanoma. J Clin Oncol. 2001;19(16):3635–48 CrossRef

Yamashita R et al. Convolutional neural networks: an overview and application in radiology. Insights Imaging. 2018;9(4):611–29 CrossRef

Du XL et al. Application of artificial intelligence in ophthalmology. Int J Ophthalmol. 2018;11(9):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 classication features. Br J Dermatol. 2018; http://doi.org/czz3

Grob J et al. The ‘ugly duckling’sign: identication of the common characteristics of nevi in an individual as a basis for melanoma screening. Arch Dermatol. 1998;134(1):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(3):130–51 CrossRef

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

10.

Blum A et al. The status of dermoscopy in Germany.results of the cross-sectional Pan-Euro-Dermoscopy Study. J Dtsch Dermatol Ges. 2018;16(2):174–81 PubMed

11.

Bafounta ML 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(10):1343–50 CrossRef

12.

Vestergaard ME 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(3):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(4):571–83 CrossRef

14.

Stolz W et al. 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(3): 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(12):1563–70 CrossRef

17.

Menzies SW et al. Frequency and morphologic characteristics of invasive melanomas lacking specic surface microscopic features. Arch Dermatol. 1996;132(10):1178–82 CrossRef

18.

Argenziano G et al. Seven-point checklist of dermoscopy revisited. Br J Dermatol. 2011;164(4):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(7):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(7):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 Classication Using Convolutional Neural Networks: Systematic Review. J Med Internet Res. 2018;20(10): e11936 CrossRef

26.

Esteva A et al. Dermatologist-level classication of skin cancer with deep neural networks. Nature. 2017;542(7639):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(8):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
verfasst von: 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: 29.08.2019
Verlag: Springer Medizin
Schlagwörter: Melanom
Nävi
Melanom
Künstliche Intelligenz
Erschienen in: Im Fokus Onkologie / Ausgabe 4/2019
Print ISSN: 1435-7402
Elektronische ISSN: 2192-5674
DOI: https://doi.org/10.1007/s15015-019-0167-6

Neu im Fachgebiet Onkologie

24.09.2023 | Ovarialkarzinom | Nachrichten

Springer Medizin

Melanomdiagnose mithilfe künstlicher Intelligenz

Zusammenfassung

Neu im Fachgebiet Onkologie

Zehn-Jahres-Daten bestätigen Lebenszeitgewinn durch HIPEC

Künstliche Intelligenz unterstützt Mammografie-Screening

Krebsimpfstoff punktet bei sekundär resistentem NSCLC

Mammografiescreening ab Juli 2024 auch für Frauen zwischen 70 und 75 Jahren

Update Onkologie

Springer Medizin

Zusammenfassung

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

Weitere Artikel der Ausgabe 4/2019

Vision Zero in der Onkologie: Was leisten innovative Therapiekonzepte?

Zusatzbehandlung beim Glioblastom

Apixaban zur Thromboseprophylaxe bei Tumorpatienten

PARP-Inhibitor bei neu diagnostiziertem fortgeschrittenem Ovarialkarzinom effektiv

NSCLC: Pluspunkte für prophylaktische Gehirnbestrahlung

SNPs in DNS-Reparaturgenen: für die CRT bei lokal fortgeschrittenem Rektumkarzinom bedeutsam

Neu im Fachgebiet Onkologie

Zehn-Jahres-Daten bestätigen Lebenszeitgewinn durch HIPEC

Künstliche Intelligenz unterstützt Mammografie-Screening

Krebsimpfstoff punktet bei sekundär resistentem NSCLC

Mammografiescreening ab Juli 2024 auch für Frauen zwischen 70 und 75 Jahren

Update Onkologie