Denna webbsida är endast avsedd för läkare och sjukvårdspersonal med förskrivningsrätt.

Träffsäker algoritm presterade i nivå med hudläkare

Nu presenteras en studie som stärker stödet för AI-baserade lösningar inom hudcancerdiagnostik. Med en egenutvecklad algoritm visar forskare vid Göteborgs universitet på teknikens förmåga att prestera på samma nivå som hudläkare vid bedömning av svårighetsgraden hos hudmelanom.

Studien publiceras i tidskriften Journal of the American Academy of Dermatology. Bakom resultaten står en grupp forskare vid avdelningen för dermatologi och venereologi inom Sahlgrenska akademin vid Göteborgs universitet.

Studien utfördes på Sahlgrenska Universitetssjukhuset i Göteborg. Syftet var att genom maskininlärning träna en algoritm att avgöra om hudmelanom var invasiva, med spridningsrisk, eller befann sig i ett stadium av tillväxt i enbart överhuden, utan spridningsrisk.

Dermatoskopisk bild av melanom i överhuden.

Algoritmen tränades och validerades på 937 dermatoskopiska bilder av melanom för att senare testas på 200 fall. Alla inkluderade fall var diagnostiserade av hudpatolog.

Algoritm vs hudläkare

Majoriteten av alla melanom upptäcks av patienter och inte av läkare, vilket tyder på att diagnosen i de flesta fall är förhållandevis enkel att ställa. Däremot är det ofta betydligt svårare att före operation avgöra vilket stadium melanomet befinner sig i.

För att öka träffsäkerheten i klassificeringarna använder hudläkare dermatoskop, som kombinerar en typ av förstoringsglas med starkt ljus. På senare år har intresset för maskininlärning för dessa klassificeringar ökat och flera publikationer har visat att så kallade ML-algoritmer kan prestera i nivå med eller till och med bättre än erfarna hudläkare.

Forskningen i fältet stärks nu ytterligare av den aktuella studien. Det blev nämligen oavgjort resultat när samma klassificeringsuppgift utfördes av å ena sidan algoritmen, och å andra sidan sju av varandra oberoende hudläkare.

Stöd för patient och läkare

– Det var ingen av hudläkare som presterade signifikant bättre än ML-algoritmen, konstaterar Sam Polesie, forskare vid Göteborgs universitet, specialistläkare på Sahlgrenska Universitetssjukhuset, och för studien korresponderande författare.

I utvecklad form skulle algoritmen kunna utgöra ett stöd i arbetet med att bedöma svårighetsgrad hos hudmelanom före operation. Klassificeringen påverkar hur stort ett operativt ingrepp behöver vara, och är därför viktig för både patient och opererande läkare.

– Studiens resultat är intressanta, och förhoppningen är att algoritmen framöver kan användas som ett kliniskt beslutsstöd. Men det behövs ytterligare utveckling och även prospektiva studier, där patienter följs upp över tid, avslutar Sam Polesie.

Titel: Discrimination between Invasive and In situ Melanomas Using a Convolutional Neural Network, https://www.jaad.org/article/S0190-9622(21)00336-4/fulltext

Titel (kompletterande text om ML-algoritmen): Supplemental material – Discrimination between Invasive and In situ Melanomas Using a Convolutional Neural Network, http://dx.doi.org/10.17632/y883xdgw86.1

Kontakt: Sam Polesie, 0702 24 19 15, [email protected]nås under fredagen från klockan 13

Bilder: Dermatoskopisk bild av melanom i överhuden. Porträttbild på Sam Polesie.

Liknande poster

Anna Martner tilldelas Eric K. Fernströms pris för yngre forskare

Läs mer...

Nytt machine learning-verktyg för snabb upptäckt av biomarkörer från strålbehandling

Läs mer...

Genprofil kan visa vilka patienter som kan slippa strålbehandling efter bröstcancerkirurgi

Läs mer...