Inteligencia artificial para identificar melanomas

Luego compararon el desempeño de la CNN con el de 58 dermatólogos internacionales a través de un conjunto de pruebas de 100 imágenes, utilizando dos niveles de evidencia; el nivel I incluía imágenes de dermatoscopia por sí sola, y el nivel II incluía dermatoscopia más información clínica y fotografías.

Se les pidió a los dermatólogos que primero hicieran un diagnóstico de melanoma maligno o de lunar benigno solo a partir de las imágenes dermatoscópicas (nivel I) y tomaran una decisión sobre cómo tratarlo (es decir, cirugía, seguimiento a corto plazo o ninguna acción necesaria). Cuatro semanas después, se les proporcionó información clínica adicional sobre el paciente (incluida la edad, el sexo y la posición de la lesión) y las imágenes de primeros planos de los mismos 100 casos (nivel II), y se les solicitó una vez más su diagnóstico y diagnóstico y las decisiones de manejo.

Los resultados revelaron que en el nivel I, los dermatólogos detectaron con exactitud un promedio de 86,6% de los melanomas, e identificaron correctamente un promedio de 71,3% de las lesiones que no eran malignas. Sin embargo, cuando la CNN se reajustó al mismo nivel que los médicos para identificar correctamente los lunares benignos (71,3%), la CNN detectó con éxito el 95% de los melanomas. En el nivel II, los dermatólogos mejoraron su desempeño, diagnosticando con exactitud el 88,9% de los melanomas malignos y el 75,7% que no eran cancerosos. El estudio fue publicado el 28 de mayo de 2018 en la revista Annals of Oncology.

“La CNN pasó por alto menos melanomas, lo que significa que tenía una sensibilidad más alta que la de los dermatólogos, y diagnosticó erróneamente menos lunares benignos como melanomas malignos, lo que significa que tenía una especificidad mayor; esto daría como resultado menos cirugías innecesarias”, dijo el autor principal, el profesor Holger Haenssle, MD, de la Universidad de Heidelberg. “Cuando los dermatólogos recibieron más información clínica e imágenes en el nivel II, su desempeño diagnóstico mejoró. Sin embargo, la CNN, que todavía trabajaba únicamente a partir de imágenes dermatoscópicas sin información clínica adicional, siguió superando las capacidades de diagnóstico de los médicos”.

“Esta CNN puede servir a los médicos que participan en el cribado del cáncer de piel como una ayuda en su decisión de tomar una biopsia de una lesión o no hacerlo. La mayoría de los dermatólogos ya usan sistemas de dermatoscopia digital para obtener imágenes y almacenar lesiones para la documentación y el seguimiento “, concluyó el profesor Haenssle. “La CNN puede evaluar fácil y rápidamente la imagen almacenada para obtener una ‘opinión experta’ sobre la probabilidad de melanoma. Actualmente estamos planificando estudios prospectivos para evaluar el impacto de la CNN en la vida real para médicos y pacientes”.

El aprendizaje profundo es parte de una familia más amplia de métodos de aprendizaje automático basados en representaciones de datos de aprendizaje, en oposición a los algoritmos específicos de tareas. Implica algoritmos de red neuronal que utilizan una cascada de muchas capas de unidades de procesamiento no lineales para la extracción de características y la transformación, con cada capa sucesiva utilizando la salida de la capa anterior como entrada, formando así una representación jerárquica.

Enlace relacionado:
Universidad de Heidelberg
Universidad de Passau