Neuer Algorithmus klassifiziert Hautkrankheiten

Weltweit leiden viele Menschen an Hautkrankheiten. Für die Diagnose greifen Ärztinnen und Ärzte häufig auf mehrere Informationsquellen zurück. Dazu gehören beispielsweise Fotos aus der Klinik, mikroskopische Bilder und Metadaten wie Alter und Geschlecht der Patientinnen und Patienten. Deep-Learning-Algorithmen können die Klassifizierung verschiedener Hautveränderungen unterstützen, indem sie alle Informationen zusammenführen und auswerten. Es sind bereits mehrere solcher Algorithmen in der Entwicklung. Um diese Lernalgorithmen in der Klinik anwenden zu können, müssen sie jedoch weiter verbessert werden, um eine höhere Genauigkeit bei der Diagnose zu erreichen, so die Technischen Universität München in einer Pressemeldung.

Neues Datenfusionsverfahren verbessert die Diagnosegenauigkeit

Ein Forschungsteam um PD Dr. Tobias Lasser vom Munich Institute of Biomedical Engineering (MIBE) der Technischen Universität München (TUM) hat nun einen neuen Lernalgorithmus – FusionM4Net – entwickelt, der eine höhere durchschnittliche Diagnosegenauigkeit aufweist als bisherige Algorithmen. Der Code für FusionM4Net ist frei verfügbar (https://ciip.in.tum.de/software.html). Der neue Algorithmus verwendet einen sogenannten multimodalen, mehrstufigen Prozess zur Datenzusammenführung.

•  „Multi-modal“ – Mehrere Datenmodalitäten: Der Lernalgorithmus integriert drei verschiedene Datentypen: In der Klinik aufgenommene Fotos, mikroskopische Bilder der verdächtigen Hautläsion und Metadaten der Patientinnen und Patienten.
•  „Multi-label“ – Mehrere Hauterkrankungen: Die Forschenden trainierten den Algorithmus zur Unterscheidung fünf verschiedener Kategorien von Hautveränderungen.
•  „Multi-stage“ – Mehrere Stufen:  Der neue Algorithmus fügt zunächst die verfügbaren Bilddaten und dann die Metadaten der Patientin oder des Patienten zusammen. Dieser zweistufige Prozess ermöglicht eine Gewichtung der Bilddaten und Metadaten beim Entscheidungsprozess des Algorithmus. Dadurch unterscheidet sich FusionM4Net deutlich von bisherigen Algorithmen auf diesem Gebiet, die alle Daten auf einmal zusammenführen.

Um die Diagnosegenauigkeit eines Algorithmus zu bewerten, kann er mit der besten vorhandenen Klassifizierung für den verwendeten Datensatz verglichen werden, für die der Wert 100 Prozent angesetzt wird. Die durchschnittliche Diagnosegenauigkeit von FusionM4Net verbesserte sich durch den mehrstufigen Prozess auf 78,5 Prozent und übertraf damit alle weiteren Algorithmen, mit denen er verglichen wurde.

Auf dem Weg zur klinischen Anwendung

Um die Reproduzierbarkeit zu gewährleisten, wurde zum Trainieren des Algorithmus ein öffentlich zugänglicher Datensatz verwendet. Datensätze sind in der Dermatologie jedoch nicht überall standardisiert. Je nach Klinik können unterschiedliche Arten von Bildern und Patienteninformationen vorliegen. Daher muss der Algorithmus für den tatsächlichen klinischen Einsatz mit den Daten umgehen können, die in der jeweiligen Klinik verfügbar sind.

Gemeinsam mit der Klinik und Poliklinik für Dermatologie und Allergologie des Universitätsklinikums der LMU München arbeitet das Forschungsteam intensiv daran, den Algorithmus für die zukünftige klinische Routine einsatzfähig zu machen. Dafür integriert das Team aktuell zahlreiche Datensätze, die für diese Klinik standardisiert wurden.

„Der künftige routinemäßige klinische Einsatz von Algorithmen mit hoher Diagnosegenauigkeit könnte dabei helfen, dass seltene Krankheiten auch von weniger erfahrenen Ärztinnen und Ärzten erkannt werden. Entscheidungen, die durch Stress oder Übermüdung beeinträchtigt sind, könnten dadurch zudem reduziert werden“, sagt PD Dr. Tobias Lasser. So könnten Lernalgorithmen dazu beitragen, das Niveau der medizinischen Versorgung insgesamt zu verbessern.

Auch interessant: Start-up of the Day: Ki-basierte App zur Selbstkontrolle der Hautgesundheit