Ein auf Deep Learning basierender Ansatz zur Differenzierung von Kopfhautpsoriasis und seborrhoischer Dermatitis anhand dermatoskopischer Bilder

Ziele:

Diese Studie zielt darauf ab, eine neue diagnostische Methode zur Unterscheidung von Psoriasis der Kopfhaut und seborrhoischer Dermatitis zu entwickeln, die auf einem Deep-Learning-Modell (DL) basiert, das das dermatoskopische Bild als Eingabe verwendet und eine höhere Genauigkeit erreicht als Dermatologen, die in Dermatoskopie geschult sind.

Methoden:

Insgesamt 1.358 Bilder (erhalten von 617 Patienten) mit pathologisch und diagnostisch bestätigten Hauterkrankungen (508 Psoriasis, 850 seborrhoische Dermatitiden) wurden in dieser Studie randomisiert den Trainings-, Validierungs- und Testdatensätzen (1.088/134/136) zugeordnet. Ein DL-Modell für dermatoskopische Bilder wurde unter Verwendung der Transfer-Lerntechnik erstellt und für die Diagnose von zwei Krankheiten trainiert.

Ergebnisse:

Das entwickelte DL-Modell weist eine gute Sensitivität, Spezifität und Area Under Curve (AUC) (96,1, 88,2 bzw. 0,922 %) auf und übertraf alle Dermatologen bei der Diagnose von Kopfhaut-Psoriasis und seborrhoischer Dermatitis im Vergleich zu fünf Dermatologen mit unterschiedlichen Stufen von Erfahrung. Darüber hinaus können Laien mit Hilfe des DL-Modells eine vergleichbare diagnostische Leistung erzielen wie Dermatologen, die sich mit der Dermatoskopie auskennen. Ein Doktorand der Dermatologie und zwei Allgemeinmediziner verbesserten ihre diagnostische Leistung signifikant, wobei ihre AUC-Werte von 0,600, 0,537 und 0,575 auf 0,849, 0,778 bzw. 0,788 stiegen, und ihre Diagnosekonsistenz wurde auch verbessert, da die Kappa-Werte von 0,191 abnahmen , 0,071 und 0,143 bis 0,679, 0,550 bzw. 0,568. DL genießt eine günstige Recheneffizienz und erfordert nur wenige Rechenressourcen, wodurch es einfach in Krankenhäusern eingesetzt werden kann.

Schlussfolgerungen:

Das entwickelte DL-Modell hat eine günstige Leistung bei der Unterscheidung von zwei Hautkrankheiten und kann die Diagnose, klinische Entscheidungsfindung und Behandlung von Dermatologen in Primärkrankenhäusern verbessern.