Ein mit dermoskopischen Bildern trainiertes konvolutionelles neuronales Netzwerk, das bei einer klinischen Melanom-Bildklassifizierungsaufgabe auf Augenhöhe mit 145 Dermatologen abgeschnitten hat

Jüngste Studien haben gezeigt, dass konvolutionelle neuronale Netze (CNNs) zur Klassifizierung von Melanom-Bildern mit einer Genauigkeit eingesetzt werden können, die mit der von staatlich geprüften Dermatologen vergleichbar ist. Die Leistung eines CNN, das ausschließlich mit dermatoskopischen Bildern trainiert wurde, in einer klinischen Bildklassifizierungsaufgabe im direkten Wettbewerb mit einer großen Anzahl von Dermatologen wurde jedoch bisher nicht gemessen. Diese Studie vergleicht die Leistung eines Convolutional Neural Network, das ausschließlich mit dermatoskopischen Bildern trainiert wurde, um Melanome in klinischen Fotos zu identifizieren, mit der manuellen Bewertung derselben Bilder durch Dermatologen.

Wir haben die automatische digitale Melanomklassifizierung mit der Leistung von 145 Dermatologen aus 12 deutschen Universitätskliniken verglichen. Wir verwendeten Methoden aus dem Bereich des erweiterten Deep Learning, um ein CNN mit 12.378 Open-Source-Dermatoskopiebildern zu trainieren. Die von den Dermatologen mit klinischen Bildern erzielte mittlere Sensitivität und Spezifität betrug 89,4 % (Bereich: 55,0 %–100 %) bzw. 64,4 % (Bereich: 22,5 %–92,5 %). Bei gleicher Sensitivität wies das CNN eine mittlere Spezifität von 68,2 % (Bereich 47,5 %–86,25 %) auf. Zum ersten Mal wurde eine Bildklassifizierung auf Dermatologen-Niveau bei einer klinischen Bildklassifizierungsaufgabe ohne Training mit klinischen Bildern erreicht.