[Automatische Körperteil-Identifikation in dermatologischen klinischen Bildern durch maschinelles Lernen]

Hintergrund: Dermatologische Erkrankungen sind in allen Bevölkerungsgruppen weit verbreitet. Das betroffene Körperteil ist für ihre Diagnose, Therapie und Forschung von Bedeutung. Die automatische Identifizierung der abgebildeten Körperteile in dermatologischen Krankheitsbildern könnte daher die klinische Versorgung verbessern, indem sie zusätzliche Informationen für klinische Entscheidungsalgorithmen liefert, schwer zu behandelnde Bereiche aufdeckt und die Forschung durch die Identifizierung neuer Krankheitsmuster unterstützt.

Patienten und methodik: In dieser Studie wurden 6219 annotierte dermatologische Bilder aus unserer klinischen Datenbank verwendet, womit ein neuronales Netz trainiert und validiert wurde. Als Anwendung wurden mit diesem System qualitative Heatmaps für die Verteilung von Körperteilen bei häufigen dermatologischen Erkrankungen erstellt.

Ergebnisse: Der Algorithmus erreichte eine mittlere balancierte Genauigkeit (Accuracy) von 89% (74,8%-96,5%). Die Fotos von nichtmelanozytärem Hautkrebs betrafen vor allem das Gesicht und den Oberkörper, während die größte Häufigkeit der Ekzem- und Psoriasis-Bildverteilung den Oberkörper, die Beine und die Hände umfassten.

Schlussfolgerungen: Die Genauigkeit dieses Systems ist vergleichbar mit den besten bisher veröffentlichten Algorithmen für Bildklassifizierungsaufgaben, was darauf hindeutet, dass dieser Algorithmus die Diagnose, Therapie und Forschung bei dermatologischen Erkrankungen verbessern könnte.