Deep Learning übertraf 136 von 157 Dermatologen bei einer Kopf-an-Kopf-Bildklassifizierung von dermatoskopischen Melanomen

Jüngste Studien haben erfolgreich den Einsatz von Deep-Learning-Algorithmen für die dermatologische Klassifizierung verdächtiger Läsionen unter Verwendung umfangreicher proprietärer Bilddatenbanken und einer begrenzten Anzahl von Dermatologen demonstriert. Zum ersten Mal wird die Leistung eines Deep-Learning-Algorithmus, der ausschließlich mit Open-Source-Bildern trainiert wurde, mit einer großen Anzahl von Dermatologen verglichen, die alle Ebenen der klinischen Hierarchie abdecken. Wir haben Methoden aus dem Bereich des erweiterten Deep Learning verwendet, um ein Convolutional Neural Network (CNN) mit 12.378 Open-Source-Dermatoskopie-Bildern zu trainieren. Wir haben 100 Bilder verwendet, um die Leistung des CNN mit der von 157 Dermatologen aus 12 Universitätskliniken in Deutschland zu vergleichen.

Die durchschnittliche Sensitivität und Spezifität, die die Dermatologen mit dermoskopischen Bildern erzielten, betrug 74,1 % (Bereich 40,0 %–100 %) bzw. 60 % (Bereich 21,3 %–91,3 %). Bei einer mittleren Sensitivität von 74,1 % wies das CNN eine mittlere Spezifität von 86,5 % (Bereich 70,8 %–91,3 %) auf. Ein ausschließlich mit Open-Source-Bildern trainiertes CNN übertraf 136 der 157 Dermatologen und alle Erfahrungsstufen (von Assistenzärzten bis zu Chefarzten) in Bezug auf die durchschnittliche Spezifität und Sensitivität.