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

Künstliche Intelligenz in der Augenheilkunde

Künstliche Intelligenz hat sich bei der Klassifizierung zweidimensionaler Fotografien einiger häufiger Krankheiten als vielversprechend erwiesen. Sie stützt sich in der Regel auf Datenbanken mit Millionen kommentierter Bilder. In diesem Blog haben wir bereits über Anwendungen in der Dermatologie berichtet.

Die Autoren des Beitrags „Clinically applicable deep learning for diagnosis and referral in retinal disease“, erschienen in dem Journal nature medicine, haben eine neuartige Deep-Learning-Architektur (wieder einmal Google-Technologie) in der klinischen Routine eingesetzt.

Das System ist in der Lage, 3D-Retina-OCT-Scans auf frühe Anzeichen von Glaukomen, diabetischen Augenerkrankungen und Makuladegeneration hin zu analysieren.

Man hofft, dass das KI-System dazu beitragen kann, das Sehvermögen der Patienten zu retten und erwartet eine weltweite Einführung dieses diagnostischen Werkzeugs.