NewsMedizinKünstliche Intelligenz erkennt Melanome zuverlässiger als Uni-Dermatologen
Als E-Mail versenden...
Auf facebook teilen...
Twittern...
Drucken...

Medizin

Künstliche Intelligenz erkennt Melanome zuverlässiger als Uni-Dermatologen

Montag, 15. April 2019

/Evgeniy Kalinovskiy, stockadobecom

Heidelberg – Eine künstliche Intelligenz (KI) ist mittlerweile bei gezielten Fragestellungen erfahrenen Medizinern in der Diagnostik überlegen. Diese Erfahrung mussten auch 157 Dermatologen aus 12 deutschen Unikliniken machen, denen Fotos von verdächtigen Hautveränderungen vorgelegt wurden. Laut einer Publikation im European Journal of Cancer (2019; 113: 47-54) erzielten nur 7 Dermatologen bessere Ergebnisse als der Algorithmus, den Wissenschaftler des Nationalen Centrums für Tumorerkrankungen in Heidelberg entwickelt haben.

Was Ärzte sich in Studium, Facharztausbildung und beruflicher Praxis allmählich aneignen, können Computer heute innerhalb kurzer Zeit „maschinell“ lernen. Sie kommen dabei ganz ohne Fachwissen aus. Um einem Rechner, der mit einem entsprechenden Algorithmus ausgestattet ist, die Unterscheidung eines Melanom von gutartigen Naevi beizubringen, muss die Software lediglich mit möglichst vielen Fotos und den dazugehörigen Diagnosen gefüttert werden. Die Software entwickelt dann eigene Strategien, die beim maschinellen Lernen nicht einmal für den Programmierer transparent sind.

Der Dermatologe Titus Brinker von der Universität Heidelberg und Mitarbeiter trainierten ihre Software an der „International Skin Imaging Collaboration“, einer allgemein zugänglichen („Open Source“) Datenbank, die Bilder von 2.169 histologisch bestätigten Melanomen und 18.566 atypischen Naevi gesammelt hat. Nachdem die Software ihre Schulung durchlaufen hatte, trat sie in einen Wettbewerb mit 157 Dermatologen aus 12 deutschen Universitäts-Hautkliniken an.

Zunächst sollten die Ärzte bei 100 Bildern von Hautauffälligkeiten, darunter 20 histologisch bestätigte Melanome und 80 gutartige Naevi, entscheiden, ob sie eine Biopsie durchführen würden, weil sie ein Melanom vermuten. Dieselben 100 Bilder wurden anschließend dem Rechner vorgelegt.

Ergebnis: Die Dermatologen erreichten im Durchschnitt eine Sensitivität von 74,1 % und eine Spezifität von 60 %. Die Software erreichte bei einer Sensitivität von 74,1 % eine Spezifität von 86,5 %. Sie würde also viele falsch-negative Ergebnisse vermeiden, bei der atypische Naevi unnötigerweise biopsiert würden.

Der beste Dermatologe erreichte eine Spezifität von 69,2 % bei einer Sensitivität von 84,5 %. Er und 6 weitere Kollegen waren der Software überlegen, 14 Dermatologen erzielten eine gleich hohe Trefferrate, die übrigen 136 mussten sich geschlagen geben.

Kann in Zukunft eine „App“ auf dem Smartphone den Dermatologen ersetzen? Alexander Enk, Direktor der Unihautklinik Heidelberg, befürchtet dies nicht. Die Software habe nur gelernt, zwischen den 2 Diagnosen atypischer Naevus oder Melanom zu unterscheiden. Die klinische Realität sehe jedoch völlig anders aus. Ein Facharzt müsse bei der körperlichen Untersuchung zwischen mehr als 100 Differenzialdiagnosen unterscheiden können, davon seien viele sehr selten, einige seien kaum allein am Bild zu erkennen, sondern bräuchten weitere Informationen wie zum Beispiel Tasteindrücke, so Enk.

Bei einzelnen Fragestellungen, ob etwa bei einem Patienten mit einer verdächtigen Hautveränderung eine Biopsie durchgeführt werden sollte, könnte die künstliche Intelligenz jedoch in Zukunft eine Rolle spielen. Offen ist noch die Frage, ob auch die Patienten mit ihrem Smartphone eine Verdachtsdiagnose stellen können und sollen. Diese Fragen müsste wohl zunächst in klinischen Studien untersucht werden, denn ein übersehenes Melanom kann für den Patienten den sicheren Tod bedeuten. © rme/aerzteblatt.de

Liebe Leserinnen und Leser,

diesen Artikel können Sie mit dem kostenfreien „Mein-DÄ-Zugang“ lesen.

Sind Sie schon registriert, geben Sie einfach Ihre Zugangsdaten ein.

Oder registrieren Sie sich kostenfrei, um exklusiv diesen Beitrag aufzurufen.

Loggen Sie sich auf Mein DÄ ein

E-Mail

Passwort


Mit der Registrierung in „Mein-DÄ“ profitieren Sie von folgenden Vorteilen:

Newsletter
Kostenfreie Newsletter mit täglichen Nachrichten aus Medizin und Politik oder aus bestimmten Fachgebieten
cme
Nehmen Sie an der zertifizierten Fortbildung teil
Merkfunktion
Erstellen Sie Merklisten mit Nachrichten, Artikeln und Videos
Kommentarfunktion und Foren
Kommentieren Sie Nachrichten, Artikel und Videos, nehmen Sie an Diskussionen in den Foren teil
Job-Mail
Erhalten Sie zu Ihrer Ärztestellen-Suche passende Jobs per E-Mail.

Leserkommentare

E-Mail
Passwort

Registrieren

Um Artikel, Nachrichten oder Blogs kommentieren zu können, müssen Sie registriert sein. Sind sie bereits für den Newsletter oder den Stellenmarkt registriert, können Sie sich hier direkt anmelden.

Avatar #106067
dr.med.thomas.g.schaetzler
am Montag, 15. April 2019, 20:11

"Deep Learning" ist keine KI!

Der Deutsche Ärzteblatt-Titel: “Künstliche Intelligenz erkennt Melanome zuverlässiger als Uni-Dermatologen ist irreführend.

Die Originalpublikation selbst ist betitelt mit: "Deep learning outperformed 136 of 157 dermatologists in a head-to-head dermoscopic melanoma image classification task" von Titus J. Brinker et al.
https://www.sciencedirect.com/science/article/pii/S0959804919302217
und spricht also nur von "Vertiefendem Lernen".

- Ein Datenkonvolut-Informations-Netzwerk (CNN) wurde mit 12.378 dermatoskopischen Bildern aus offenen Quellen vertiefend trainiert.

- In einem Kopf-an-Kopf-Vergleich übertraf das CNN 136 von 157 teilnehmenden Dermatologen

- CNN war in der Lage, Hautspezialisten aller hierarchischer Qualifikationsstufen bei der Klassifikation dermatoskopische Melanom-Bilder zu übertreffen.


• A convolutional neural network (CNN) received enhanced training with 12,378 open-source dermoscopic images.

• In a head-to-head comparison, the CNN outperformed 136 of 157 participating dermatologists.

• The CNN was capable to outperform dermatologists of all hierarchical subgroups (from junior to chief physicians) in dermoscopic melanoma image classification.

Nicht erfasst wurde klinisch und ambulant viel essenziellere Fähigkeiten, differenzialdiagnostisch auch a u ß e r h a l b des Melanom-Formenkreises liegende Krankheitsbilder zugleich zu detektieren und abzugrenzen. Eine Melanom-/Nicht-Melanom-Diagnose muss regelhaft histologisch abgeklärt und abgesichert werden.

Bis zur "Künstlichen Intelligenz" (KI) bzw. humanoiden Intelligenz (HI) ist es noch ein sehr weiter Weg über vertiefendes Lernen, maschinelles Lernen und echte künstliche Intelligenz bzw. humanoide Maschinen-Intelligenz ["What is the Difference Between Artificial Intelligence, Machine Learning, and Deep Learning? Deep Learning is a Technique for Implementing Machine Learning. Machine Learning is an Approach to Achieve Artificial Intelligence. Artificial Intelligence is Human Intelligence Exhibited by Machines"].

Mf+kG, Dr. med. Thomas G. Schätzler, FAfAM Dortmund
LNS

Nachrichten zum Thema

2. Juni 2020
Alexandria – Vier Jahre nach Ende einer adjuvanten BRAF-MEK-Inibitor-Therapie eines Melanoms im Stadium III erreicht das progressionsfreie Überleben ein viel versprechendes Plateau. Viele Patienten
Resektables fortgeschrittenes Melanom: Mit zielgerichteter Therapie in Richtung Heilung
30. Mai 2020
Alexandria – Wenn ein fortgeschrittenes Melanom mit BRAF-Mutation auf Immuncheckpoint-Inhibitoren und Tyrosinkinase-Inhibitoren nicht mehr anspricht, könnte die Therapie mit autologen
Melanom: Tumorinfiltrierende Lymphozyten bieten neue Chance nach Immun- und zielgerichteter Therapie
28. Mai 2020
Singapur − Die wenigsten Hausärzte sind in der Spiegelung des Augenhintergrundes so versiert, dass sie eine Stauungspapille sicher erkennen. Eine Digitalkamera und eine spezielle
Ophthalmologie: Künstliche Intelligenz erkennt Papillenödem auf Fundusfoto
25. Mai 2020
Brighton/England − Defekte im Gen für das Protein Filaggrin, einem wichtigen Bestandteil der Haut- und Schleimhautbarriere, fördern offenbar bereits im Säuglingsalter die Entwicklung von Ekzemen
Gendefekte in der Haut erhöhen Neurodermitis-Risiko im Säuglingsalter
22. Mai 2020
Berlin − Mit einer Genom-Sequenzierung lassen sich die Ursachen von Erbkrankheiten heute relativ schnell ergründen. Manchmal ergeben sich dadurch überraschende neue Therapieansätze, wie bei
Kälte-Urtikaria: Genetische Ursache weist auf wirksame Therapie hin
20. Mai 2020
New York − Während einer Epidemie mit einem hoch ansteckenden Erreger wie SARS-CoV-2 kann eine rasche Diagnose eine nosokomiale Ausbreitung verhindern. Eine Klinik im Epizentrum der Epidemie
COVID-19: Künstliche Intelligenz ermöglicht schnelle Diagnose vor PCR-Test
12. Mai 2020
Osnabrück− Das häufige Händewaschen in der Coronapandemie wird nach Einschätzung von Hautärzten dazu führen, dass mehr Menschen juckende Handekzeme entwickeln. „Seife greift die Hautbarriere
VG WortLNS LNS LNS

Fachgebiet

Anzeige

Weitere...

Aktuelle Kommentare

Archiv

NEWSLETTER