Deep Learning zur Differenzialdiagnose bei Hautkrankheiten

Schätzungsweise 1,9 Milliarden Menschen weltweit leiden an einer Hauterkrankung. Allein in den Vereinigten Staaten leiden bis zu 37% der in der Klinik behandelten Patienten an mindestens einer Hauterkrankung, und mehr als die Hälfte dieser Patienten wird von Nicht-Dermatologen begutachtet.  Studien zeigen jedoch eine signifikante Lücke in der Genauigkeit der Hautzustandsdiagnosen zwischen Allgemeinmedizinern und Dermatologen, wobei die Genauigkeit von Allgemeinmedizinern zwischen 24% und 70% liegt, verglichen mit 77-96% bei Dermatologen. Dies kann zu suboptimalen Überweisungen, Verzögerungen bei der Pflege und Fehlern bei Diagnose und Behandlung führen.

Bestehende Strategien für Nicht-Dermatologen zur Verbesserung der diagnostischen Genauigkeit umfassen die Verwendung von Referenzlehrbüchern, Online-Ressourcen und die Konsultation eines Kollegen. Es wurden auch maschinelle Lernwerkzeuge entwickelt, um die diagnostische Genauigkeit zu verbessern. Frühere Forschungen konzentrierten sich weitgehend auf die Früherkennung von Hautkrebs, insbesondere darauf, ob eine Läsion bösartig oder gutartig ist oder ob es sich bei einer Läsion um ein Melanom handelt. 90% der Hautprobleme sind jedoch nicht bösartig.

Es wurde nun ein Deep Learning System (DLS) entwickelt, um die häufigsten Hauterkrankungen in der Primärversorgung zu behandeln. Die Ergebnisse zeigten, dass ein DLS bei 26 Hautzuständen eine Genauigkeit erzielen kann, die mit den von US-amerikanischen Behörden zertifizierten Dermatologen vergleichbar ist, wenn identische Informationen zu einem Patientenfall (Bilder und Metadaten) vorliegen. Diese Studie hebt das Potenzial des DLS hervor, die Fähigkeit von Allgemeinärzten, die keine zusätzliche Spezialausbildung hatten, zur genauen Diagnose von Hautzuständen zu steigern.

Quelle: Google AI Blog vom 12.08.2019 (gekürzt, redigiert)

https://ai.googleblog.com/2019/09/using-deep-learning-to-inform.html

KI in der Medizin – ohne Fehler?

Das Thema Künstliche Intelligenz und deren Anwendung in der Medizin haben wir in diesem Blog bereits mehrfach aufgegriffen. Sicherlich wird die KI ein wichtiges Zukunftsfeld der unterstützten Diagnostik werden, aber können wir bereits heute schon absolute Verlässlichkeit erwarten?

Dem Watson-Supercomputer von IBM wird vorgeworfen, unsichere und falsche Krebstherapien empfohlen zu haben. Watson wurde mit einer kleinen Anzahl synthetischer Kasuistiken von hypothetischen Patienten gefüttert –  anstelle von echten Patientendaten. Die (Behandlungs-)Empfehlungen basierten auf der Expertise weniger Spezialisten, nicht jedoch auf den anerkannten Guidelines. Ausführlich hat sich damit das US-Portal STAT beschäftigt.

KI-Anwendungen sind insbesondere in der Dermatologie angesagt. „Besser als der Hautarzt“ wurde schon frohlockt. Aber auch hier wurden Schwächen entdeckt, insbesondere bei der Melanom-Diagnostik bei schwarzer Hautfarbe. Denn die Referenzfotos mit der die KI arbeitet, stammen überwiegend von hellhäutigen Patienten. Solange dieses Manko nicht beseitigt wird, ist an einen breiten Einsatz nicht zu denken, obwohl die Nutzung einer KI in Verbindung mit der Telemedizin gerade in Weltregionen mit einer geringen Arztdichte wünschenswert wäre.

In beiden oben genannten Fällen begrenzt die Datenauswahl die Möglichkeiten der KI – und darüber bestimmt die KI (noch) nicht selbst.