Lika svårt för algoritmer och hudläkare bedöma tjocklek på melanom
Det är svårt att bedöma tjocklek på melanom, oavsett om du är erfaren hudläkare eller vältränad algoritm. En studie från Göteborgs universitet visar att maskininlärningsalgoritmen och hudläkarna lyckades lika bra när de tolkade bilder tagna med dermoskopi.
Sam Polesie, docent i dermatologi och venereologi på Sahlgrenska akademin
– Resultaten är ett steg på vägen till att hitta bättre och mer sofistikerade verktyg till stöd för läkare som ska bedöma melanomtjocklek, vilket i sin tur påverkar kliniska beslut och prioriteringar i vården, säger Sam Polesie, docent i dermatologi och venereologi på Sahlgrenska akademin vid Göteborgs universitet, hudläkare på Sahlgrenska Universitetssjukhuset och studiens försteförfattare.
När diagnosen melanom ställs bedömer hudläkare om det rör sig om en aggressiv form, där cancercellerna växer ned i läderhuden och riskerar att spridas, så kallade invasiva melanom, eller en mildare form som växer enbart i det övre lagret av huden, så kallad melanom in situ, MIS. Invasiva melanom som växer djupare än en millimeter ned i huden anses vara tjocka och därmed också mer aggressiva.
Bedömning av melanom görs genom en undersökning med dermatoskop, ett slags förstoringsglas utrustat med starkt ljus. Ofta är det förhållandevis enkelt att ställa diagnosen melanom, men det är en mycket större utmaning att uppskatta hur tjockt melanomet är.
Tjockleken avgörande
– Förutom att tjockleken ger värdefull prognostisk information kan det påverka val av kirurgiska marginaler för den första operationen och hur snabbt operationen behöver utföras, säger Sam Polesie.
Via en webbplattform bedömde 438 internationella hudläkare 1 456 bilder av melanom tagna med dermatoskop. Hudläkarnas resultat jämfördes därefter med resultaten från en maskininlärningsalgoritim som tränats på att klassificera melanomdjup.
Hudläkarna som grupp hade en träffsäkerhet för korrekt klassificering av melanomdjup på 63 procent för mildare melanom och 71 procent för invasiva melanom. Läkarna kunde korrekt avgöra att melanom var invasiva eller MIS i 76 procent av alla bedömningar. Motsvarande andel för den främsta algoritmen var 74 procent.
Jämnt mellan läkare och maskin
– Den samlade hudläkarbedömningen presterade alltså i nivå den förtränade algoritmen i att skilja MIS och invasiva melanom. Intressant nog hade läkarnas professionella bakgrund och erfarenhet av dermoskopi ingen inverkan på den diagnostiska noggrannheten för att förutsäga melanomtjocklek, säger Sam Polesie.
Utvecklingen av artificiell intelligens, AI, är på frammarsch på flera håll inom vården. Tekniken förväntas särskilt kunna utvecklas och bli ett stöd för medicinsk avbildning, det vill säga för läkare som bedömer och tolkar bilder, såsom röntgenbilder, bilder på näthinna och hudförändringar. Tekniken kan också tillämpas inom andra områden än bildigenkänning.
– Vår studie pekar på svårigheterna att korrekt bedöma melanomtjocklek baserat på dermoskopibilder. I kommande studier siktar vi på att studera användbarheten av fördefinierade dermoskopistrukturer för att skilja mellan MIS samt tunna och tjocka melanom. Vi vill också testa om kliniskt beslutsfattande i den här situationen kan förstärkas med hjälp av maskininlärningsalgoritmer, avslutar Sam Polesie.
Studien som publiceras i tidskriften Journal of the European Academy of Dermatology and Venereology, JEADV, genomfördes i samarbete med forskare vid Medical University of Vienna, Österrike.
Titel: Assessment of melanoma thickness based on dermoscopy images: an open, web-based, international, diagnostic study, https://doi.org/10.1111/jdv.18436
