Die moderne Hautkrebsvorsorge verbindet ärztliche Erfahrung mit präziser digitaler Bildanalyse. Mithilfe spezialisierter Software können Hautveränderungen nicht nur vergrößert betrachtet, sondern auch objektiv vermessen, dokumentiert und im zeitlichen Verlauf verglichen werden.
In unserer Praxis nutzen wir dafür den Moleanalyzer Pro. Die Software unterstützt uns bei der Analyse einzelner Läsionen, beim Vergleich mit Voraufnahmen und bei der zusätzlichen Einschätzung durch KI-basierte Verfahren.
Präzise Analyse einzelner Hautveränderungen
Über die Software Moleanalyzer Pro stehen uns umfangreiche Analysefunktionen zur exakten Beurteilung von Läsionen zur Verfügung. So ist die Quantifizierung von Fläche, Umfang und Durchmesser ebenso möglich wie die Anwendung verschiedener etablierter Scores zur ersten Einschätzung.
Besonders wertvolle Analysen sind möglich, wenn Voraufnahmen vorhanden sind. Auf der einen Seite sind Berechnungen hinsichtlich der Veränderung im zeitlichen Verlauf (z.B Wachstums- oder Umfangsveränderung) möglich. Auf der anderen Seite können durch Überlagerung der sequentiellen Bilder Veränderungen visualisiert werden, wodurch eine exaktere Beurteilung möglich wird.
Künstliche Intelligenz im Rahmen des Hautkrebsscreenings
Bildanalyseverfahren, wie wir sie heute im Rahmen des Hautkrebsscreenings einsetzen, wurden initial an militärischen Satellitenüberwachungsaufnahmen entwickelt und später für den medizinischen Bereich für die Beurteilung von Hautveränderung adaptiert.
Die zunehmende Digitalisierung und die Einführung von KI-basierten Algorithmen führte in den letzten Jahren zur Entwicklung verschiedener Verfahren zur Beurteilung von Hautveränderungen. Die KI-Beurteilung der von uns benutzten Software Moleanalyzer Pro basiert auf Deep-Learning-Algorithmen zur Mustererkennung, die von Heidelberger Kollegen zunächst 2018 federführend hochrangig veröffentlicht wurden (Hänssle und Kollegen 2018). Die Fähigkeiten dieses und ähnlicher Tools wurden daraufhin in verschiedenen klinischen Studien genau untersucht und validiert.
Eine der frühen klinischen Arbeiten stammt von aus dem Jahr 2021, die zeigte, dass diese neuartigen Technologien die Einschätzung von pigmentierten Läsionen verbessern und Ärzten helfen können, Melanome zuverlässiger zu erkennen (MacLellan und Kollegen 2021). Einen wichtigen Fortschritt stellte anschließend die Studie von dar, in der das auch von uns benutzte Convolutional Neural Network von Fotofinder mit 96 Dermatologen verglichen wurde (Hänssle und Kollegen 2020).
Der Computer konnte bei der Beurteilung vieler Hautveränderungen mit dem Hautarzt mithalten, zum Teil war er sogar überlegen. Winkler und Kollegen zeigten zunächst, dass solche KI-Systeme Melanome grundsätzlich sehr zuverlässig erkennen können, die Genauigkeit jedoch je nach Melanomtyp oder Körperstelle unterschiedlich sein kann (Winker und Kollegen 2020). In einer aktuelleren Studie der gleichen Arbeitsgruppe wurde untersucht, was passiert, wenn Dermatologen die künstliche Intelligenz als Unterstützung nutzen.
Die Kombination aus ärztlicher Erfahrung und dem Einsatz von künstlicher Intelligenz brachte die größte diagnostische Sicherheit (Winkler und Kollegen 2023).
Beispiel aus der Praxis: Melanoma in situ im Verlauf erkannt
Diese Läsion war aufgrund des Größenwachstums an der rechten Brust bei einem 62jährigen Patienten aufgefallen. Die KI stufte die Läsion zunächst als unauffällig ein (linkes Bild aus dem Jahr 2019 – AI Score 0.12), im Verlauf aber als auffällig (rechtes Bild aus dem Jahr 2021 – AI Score 0.74).
Das Ergebnis wird im unteren Bereich der Bilder durch einen schwarzen senkrechten Strich in der Gelb/Grau/Rot-Skala visualisiert. Es handelte sich um ein Melanoma in situ. Diese Hautveränderungen sind Frühformen des schwarzen Hautkrebses und müssen möglichst früh erkannt werden, um Gefahr abzuwenden.
