Mesterséges intelligencia bőrgyógyász támogatással

2019-ben német kutatók egy csoportja megállapította, hogy a mesterséges intelligencia javíthatja a bőrrák dermatoszkópos felvételek alapján történő osztályozásának pontosságát és hatékonyságát. Jelenleg a mesterséges intelligencia tanítása folyik, az ismert diagnózisú képek felügyelt tanítása, annak érdekében, hogy meghatározzuk, az adott diagnózisok előrejelzéséhez milyen inputok szükségesek. Annak meghatározása, hogyan azonosítható a melanoma a klinikai vagy dermatoszkópos képek alapján, vagy jelezhető előre a metasztázis kockázata a digitalizált patológiai tárgylemezekről.

Jelenleg azonban nincsenek univerzális iránymutatások arra vonatkozóan, hogy mekkora legyen egy mesterséges intelligencia-adatkészlet a pontos eredmények eléréséhez hangsúlyozta Vishal A. Patel, (George Washington University Cancer Center, Washington) az ODAC Dermatology, Aesthetic & Surgical konferenciáján. A bőrgyógyászati ​​szakirodalomban a legtöbb mesterséges intelligencia adatkészlet 600 és 14 000 példa között mozog, és a teljesítményben jelentős eltérések mutatkoznak, "félrevezető eredmények adódhatnak nem várt tanítási/tanulási hibákból".

"Az AI-hálózat megtanulhatja a neki szánt feladatot vagy egy oda nem illő szituációs helyzetet. Például nagyszerű képeket használhat a melanoma előrejelzésére, de előfordulhat, hogy rossz eredményeket ér el azokkal a képekkel kapcsolatban, amelyeken az elváltozás belsejére például egy vonalzót is ráfényképeztek. "A rendszer fejlesztőjének tudta nélkül az algoritmus a vonalzót azonosítja melanomaként és nem magát a pigmentált elváltozást", vagyis az algoritmus csak annyira jó, mint a használt adatkészlet tehát kulcsfontosságú, hogy pontosan definiáljuk azt az az adatkészletet, amely megtanítja azt az eszközt, amelyet majd használni szeretnénk.

Konvolúciós Neurális Hálózat

2017-ben egy, a Nature-ben megjelent tanulmány arról számolt be, hogy a melanóma és az epidermális elváltozások osztályozása során a képfeldolgozáshoz használt mesterséges intelligencia konvolúciós neurális hálózata (CNN) a bőrgyógyászokhoz hasonló teljesítményt mutatott, az epidermális elváltozás esetén valamivel jobb, a melanocytás léziók esetén valamivel rosszabb teljesítményt nyújtott a bőrgyógyászok átlagánál.

Egy másik vizsgálatban egy melanomát dermatoszkópos képekről felismerő CNN, és 58 különböző országból származó, különböző szintű dermatoszkópiás tapasztalatokkal rendelkező bőrgyógyász dignózisával hasonlították össze. A szakemberek 29%-a "kezdő" volt, kevesebb mint 2 év tapasztalattal; 19% volt szakképzett, 2-5 éves tapasztalattal; és 52%-a szakértő volt, legalább 5 éves tapasztalattal. Az összehasonlítás két részből állt: az első fázisban a bőrgyógyászok kizárólag dermatoszkópia alapján osztályozták az elváltozásokat, míg másodjára a bőrgyógyászokat dermatoszkópos képek mellett klinikai képekkel és további klinikai információkkal látták el, míg a CNN-t csak a dermatoszkópos képek felismerésére tanították meg. A vizsgálatban a legtöbb bőrgyógyászok diagnosztikus pontossága felülmúlta a CNN-ét, de mindannyian hasznosnak találták a CNN segítségét.

Génexpressziós profil

Az AI másik aspektusa a génexpressziós profilalkotás (GEP), a genetikai aktivitás gyakoriságának és intenzitásának egyidejű értékelése a sejtműködésről alkotandó átfogó kép érdekében.  et alkosson a sejtműködésről. "A mesterséges intelligencia gépi tanulást használ a genetikai expresszió értékelésére a sérülések viselkedésének felmérésére" - magyarázta.

Az egyik piacon elérhető GEP-teszt a DermTech Pigmented Lesion Assay (PLA), egy nem invazív teszt, amely két gén expresszióját vizsgálja annak előrejelzésére, hogy egy elváltozás rosszindulatú-e vagy sem. "Validálási készletük alapján lenyűgöző eredményeket, 90% feletti szenzitivitást és 90% feletti specifitást is mutattak". Ez elsőre nagyon hasznos tesztnek tűnhet. Egy 2021-ben közzétett tanulmányban azonban, amely azt vizsgálta, hogy a valós világból származó bizonyítékokat mennyire igazolta ez a teszt arra a következtetésre jutottak, hogy "a PLA-tesznek 95%-os szenzitivitással és specifitással kellene rendelkeznie ahhoz, hogy a való világban mért adatok szerinti 9,5%-os pozitivitási arányt kimutassa. Ez annak lehet az eredménye, hogy maga validációs és tanítási adatkészlet nem egységes, továbbá bizonyos gének kifejeződése más, mint amilyet a teszt bemeneti változójaként definiáltak.

Egy másik, több, mint egy évtizede forgalomban lévő GEP-teszt a melanoma 31 gén expressziós profiltesztje, amely értékeli a melanoma daganatok génexpresszióját és azt, hogy mi lehet az adott daganat viselkedése. Egy közelmúltban megjelent cikkben megpróbáltak algoritmust kidolgozni a használatára, de nem tudjuk, hogy a teszt eredményeként mennyire változik meg az elváltozások kezelése.

2020-ban GEP bőr melanómában játszott prognosztikai szerepéről szóló konszenzusos nyilatkozat szerzői arra a következtetésre jutottak, hogy a GEP-teszt rutinszerű alkalmazásának bevezetése előtt további klinikai vizsgálatokkal kell bizonyítani azt, hogy milyen szerepet tölthet be a melanóma ellátásában. Erről Hensin Tsao és Warren H. Chan írt fontos szerkesztőségi közleményt a JAMA Dermatology-ban. Szerintük a T1a melanómák (0,8 mm-es, nem fekélyes) nem igénylik a GEP rutinszerű használatát, azonban a GEP-teszt hasznos a „szürke zónában” lévő esetekben, például a T1b vagy néhány T2a határán lévő melanoma esetén (> 0,8 mm, < 1,2 mm, nem fekélyes, de magas mitózisú elváltozás); vagy terhesség, és olyan betegek esetén, akik esetleg nem tolerálják az őrszem nyirokcsomó-biopsziát (SLNB) vagy az adjuváns terápiát. A GEP által előre jelzett túlélés nem ugyanaz, mint az SLNB pozitívitási arány. A GEP nem helyettesítheti a standard irányelveket T2a és magasabb stádiumú melanómák esetén. A nyirokcsomó biopszia továbbra is valamennyi főbb irányelv szerves eleme és meghatározza az adjuváns terápiát.

Forrás: https://doi.org/10.1016/j.ejca.2019.07.019 0959-8049/

 JAMA Dermatol. 2020;156(9):1004-1011. doi:10.1001/jamadermatol.2020.1729

JAMA Dermatol. 2020;156(9):949-951. doi:10.1001/jamadermatol.2020.1730