Late breaking: AI in de dermatologie

Wat zijn de belangrijkste concepten in artificial intelligence die binnenkort hun intrede kunnen doen in de dermatologie en bij de behandeling van patiënten? Dermatoloog dr. Josep Malhevy Guilera, verbonden aan de afdeling Dermatologie van het ziekenhuis Clínic de Barcelona, geeft een overzicht.¹

Artificial intelligence (AI) wordt op diverse medische vlakken al ingezet. “Denk aan beeldgestuurde diagnoses in de radiologie, dermatologie en oogheelkunde.² Maar ook aan het afleiden van de gezondheidsstatus met wearables en sensoren, het voorspellen van klinische uitkomsten of het monitoren van patiënten.² Maar denk ook aan natuurlijke taalverwerking (NLP) die computers in staat stelt menselijke taal te begrijpen en te genereren, bijvoorbeeld om straks automatisch verslag te leggen van data in het EPD of het gesprek met de patiënt,” aldus Malhevy Guilera.

Integreren informatie

Malhevy Guilera vervolgt: ‘Dermatologen beschikken over veel informatie die alleen met AI is te integreren. In onze kliniek werken we bijvoorbeeld met 3D-avatars van onze patiënten met hoogrisicomelanoom. In één klik zien we van alle laesies de veranderingen, fenotypes en groottes.⁴ Complexe diagnostiek is zo een stuk eenvoudiger. Een ander voorbeeld is het beeldgestuurd analyseren van huidveroudering op een manier die hiervóór niet mogelijk was, waarmee we het risico kunnen voorspellen op bepaalde aandoeningen, of medicijnen in vivo testen.⁵ Ook zijn er zachte, elastische wearables die worden gebruikt als een “laboratorium op de huid”⁶ en pleisters die met grote specificiteit het RNA van moedervlekken analyseert en vroeg signaleert of het verstandig is een biopt te nemen vanwege verdenking op melanoom.⁷

Man tegen machine

‘Machine learning wordt al gebruikt voor ziekteclassificatie, het mogelijk maken van grootschalig epidemiologisch onderzoek, precisiegeneeskunde en het beoordelen van ziekten met de mobiele telefoon.⁸ Neem Imagenet ILSVRC. Je telefoon herkent je gezicht, maar straks ook huidkanker.⁹ Nu al zijn machines beter in het herkennen van melanoom en gepigmenteerde huidlaesies dan dermatologen.^10,11 Machines kunnen echter een beperkt aantal patronen herkennen. We moeten leren hoe de techniek in te zetten. De AI-werkgroep zet hierop in, ontwikkelt onderwijs een heeft ook net een position statement over AI uitgebracht, onder meer over omgaan met apps.¹² Want die apps zijn er al, maar de specificiteit en sensitiviteit ervan variëren.¹³ We zullen ze steeds vaker gaan gebruiken, dus moeten we er ook criteria aan verbinden en weten op welke gronden ze te valideren.’

Bronnen:

1. Malhevy, J. Applications of artificial intelligence to dermatology. EADV 2023, oral presentation.
2. Yu KH, Beam AL, Kohane IS. Artificial intelligence in healthcare. Nat Biomed Eng. 2018:719-31.
3. Eric Topol. How AI can make medicine human again. SBN-13:978-1541644632.
4. Rivas AC, Luna A, Serra E. et al. Xeroderma pigmentosum: 12 years of experience combining multiple imaging techniques for follow-up. 2023. World Congress of Confocal Microscopy. Poster presentation.
5. Chauvel-Picard J, Bérot V, Tognetti L. et al. Line-field confocal optical coherence tomography as a tool for three-dimensional in vivo quantification of health epidermis. J Biophotonics. 2022.
6. Liu Y, Pharr M, Salvatore GA. Lan-on-skin. A review of flexible and stretchable electronics for wearable health monitoring. ACS Nano, 2017.
7. Ferris LK, Jansen B, Ho J. et al. Utility of a noninvasive 2-gene molecuar assay for cutaneauous melanoma and effect on the decision of biopsy. JAMA Dermatol. 2017.
8. Chan S, Reddy V, Myers B. et al. Machine learning in dermatology: current applications, opportunities and limitation. Dermatol Ther (Heibel). 2020. Jun;10(3):365-86.
9. Esteva A, Kuprel B, Novoa R, et al. 2017. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 542(7639):115-8.
10. Haenssle HA, Fink C, Schneiderbauer R, et al. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Ann Oncol. 2018 Aug 1;29(8):1836-42. 
11. Tschandl P, Codella N, Akay BN, et al. Comparison of the accuracy of human readers versus machine-learning algorithms for pigmented skin lesion classification: an open, web-based, international, diagnostic study. Lancet Oncol. 2019 Jul;20(7):938-47. 
12. Sangers TE, Kittler H, Blum AJ et al; EADV AI Task Force. Position statement of the EADV Artificial Intelligence (AI) Task Force on AI-assisted smartphone apps and web-based services for skin disease. J Eur Acad Dermatol Venereol. 2023 Sep 27. doi: 10.1111/jdv.19521. Online ahead of print.
13. Sun MD, Kentley J, Mehta P, et al. Accuracy of commercially available smartphone applications for the detection of melanoma. Br J Dermatol. 2022 Apr;186(4):744-6.