Ein vereinfachter dermatoskopischer Algorithmus zur Diagnose von Melanomen

Einführung

Die Dermatoskopie hat sich als nützliche nicht-invasive Diagnosetechnik zur Diagnose von Hautmelanomen erwiesen. Allerdings hängt die diagnostische Genauigkeit der Dermatoskopie maßgeblich vom Grad der Erfahrung der Untersucher ab. 3 Viele Algorithmen wurden beschrieben, um ein Standardkriterium für die Bewertung dermatoskopischer Muster und Strukturen zu erreichen. Darüber hinaus könnte die Anwendung einiger Algorithmen lange dauern, sodass ihre Effizienz und Zuverlässigkeit in der täglichen Praxis geringer sein könnten als erwartet.

Frühere Studien haben gezeigt, dass sich die meisten Melanome von gutartigen melanozytären Läsionen durch die Anzahl der Farben, die Asymmetrie der Farben oder Strukturen und das Vorhandensein einiger melanomspezifischer dermatoskopischer Strukturen unterscheiden.

Basierend auf diesen Fakten haben wir eine Studie durchgeführt, um einen dermatoskopischen Algorithmus zur Diagnose von Melanomen zu entwickeln, der die folgenden Merkmale erfüllt: Präzision, maximale Sensitivität und Spezifität zur Erkennung von Hautmelanomen; Unabhängigkeit von der Erfahrung des Beobachters in der Dermatoskopie; und in der täglichen Praxis einfacher durchzuführen als bisherige dermatoskopische Algorithmen.

Ziel

Vorschlag eines vereinfachten dermatoskopischen Algorithmus zur Diagnose von Melanomen.

Material und Methoden

Es wurde eine multizentrische retrospektive Analyse von 1.120 dermatoskopischen Bildern atypischer melanozytärer Tumoren (320 Melanome und 800 Nicht-Melanome) durchgeführt.

Ein Algorithmus wurde entwickelt, der auf Polychromie, Asymmetrie in Farben oder Strukturen und einigen spezifischen Strukturen von Melanomen basiert. Eine univariate und multivariate logistische Regressionsanalyse wurde berechnet, um die Koeffizienten jedes potenziellen Prädiktors für die Melanomdiagnose abzuschätzen.

Basierend auf dermatoskopischen Untersuchungen wurde ein Score entwickelt, der von vier Experten durchgeführt wurde, die keine Kenntnis von der histologischen Diagnose hatten.

Ergebnisse

Die meisten Melanome hatten:

• ≥3 Farben (280; 84,5 %)
• Asymmetrie in Farben oder Strukturen (289; 90,3 %)
• Mindestens eine melanomspezifische Struktur (316; 98,7 %).

Der PASS-Score ≥3 hatte eine Sensitivität von 91,9 %, eine Spezifität von 87 % und eine diagnostische Genauigkeit von 88,4 % für Melanome. Der PASS-Algorithmus zeigte eine Fläche unter der Kurve (AUC) von 0,947 (95 %-KI 0,935–0,959).

Dermatoskopisches Bild verdächtiger pigmentierter Läsionen mit drei Farben: Dunkelbraun, Hellbraun und Weiß (1 Punkt); Asymmetrie von Farben und Strukturen (1 Punkt); und atypisches pigmentiertes Netzwerk als melanomspezifische Struktur (1 Punkt). Der PASS-Score betrug 3. Die histologische Diagnose lautete oberflächlich ausbreitendes Melanom in situ.

Einschränkungen

Diese Studie war retrospektiv. Ein Vergleich der Leistungen verschiedener dermatoskopischer Algorithmen ist aufgrund ihres Designs schwierig.

Schlussfolgerungen

Der PASS-Algorithmus zeigte unabhängig von der Erfahrung der Beobachter eine sehr gute diagnostische Genauigkeit und scheint einfacher durchzuführen als frühere dermatoskopische Algorithmen.

Diskussion

Die Dermatoskopie ist eine nicht-invasive visuelle Diagnosetechnik, mit der die diagnostische Genauigkeit von Melanomen im Vergleich zur visuellen Untersuchung um bis zu 49 % verbessert werden kann. Es gibt verschiedene Algorithmen zur Diagnose eines Melanoms, die auf dem Vorhandensein oder Fehlen unterschiedlicher Farben, Muster und dermatoskopischer Strukturen in einer Läsion basieren. Ihr Ziel sollte es sein, eine Reihe objektiver und homogener Kriterien für die Analyse atypisch pigmentierter Läsionen bereitzustellen, und zwar möglichst unabhängig von der Vorerfahrung des Beobachters.

Die Interbeobachter-Übereinstimmungsanalyse ergab, dass die Identifizierung von Farben und Asymmetrien eine höhere Übereinstimmungsrate aufwies als die meisten dermatoskopischen Strukturen. Frühere Studien haben ergeben, dass Merkmale im Zusammenhang mit der Gesamtorganisation, Farben und Symmetrien eine größere Übereinstimmung und Unterscheidungskraft aufweisen als viele bekannte diagnostische Strukturen, wie etwa das atypische Pigmentnetzwerk oder unregelmäßige Flecken. Einige dermatoskopische Algorithmen wie der CASH- und der TADA-Algorithmus basieren auf dieser Idee. Dieser Befund wurde in unserer Konkordanzanalyse bestätigt und unterstützt diesen Ansatz.

Die Identifizierung melanomspezifischer dermatoskopischer Strukturen ist eine gemeinsame Grundlage in fast allen dieser Algorithmen, einige Melanome weisen jedoch möglicherweise keine spezifischen dermatoskopischen Kriterien auf. Dies erklärt, warum in den letzten Jahren so viele Strukturen und Gefäßmuster beschrieben wurden, die auf ein Melanom hinweisen. In unserer Studie wiesen fast alle Melanome mindestens eine melanomspezifische Struktur auf, und 82,5 % hatten zwei oder mehr.

Im Jahr 2016 veröffentlichte eine Forschergruppe der International Dermatoscopy Society (IDS) die bislang größte Vergleichsstudie zwischen dermatoskopischen Algorithmen. 7Sie analysierten sekundär, basierend auf der primären Analyse bestimmter dermatoskopischer Strukturen, die Ergebnisse der diagnostischen Genauigkeit, die von sechs Analysealgorithmen erzielt wurden.

Die Menzies-Methode zeigte die höchste Sensitivität für die Melanomerkennung (95,1 %, 95 %-KI 89,0–98,4 %) und die 3-Punkte-Checkliste war die niedrigste (68,9 %). , 95 %-KI 53,0–64,6 %). Die höchste Spezifität zeigte die ABCD-Regel (59,4 %, 95 %-KI 54,0–64,6 %) und die niedrigste die Menzies-Methode (24,8 %, 95 %-KI 20,1–30,1 %). Es wurden keine statistisch signifikanten Unterschiede in der Fläche unter der ROC-Kurve des CASH-Algorithmus, der 7-Punkte-Checkliste, der 3-Punkte-Checkliste, des Chaos und der Hinweise oder der ABCD-Regel beobachtet, die Menzies-Methode zeigte jedoch eine etwas niedrigere AUC. niedriger (P 0,01). Diese Ergebnisse können uns nur einen indikativen Eindruck von der Zuverlässigkeit der Kriterien jedes Algorithmus geben und sollten mit Vorsicht bewertet werden.

Andere dermatoskopische Algorithmen haben zur Verbesserung der Genauigkeit auch klinische Kriterien wie Alter oder Tumordurchmesser in ihre Diagnosealgorithmen einbezogen. Der 18-PASS-Algorithmus berücksichtigt nur dermatoskopische Merkmale, um seine Leistung in der täglichen Praxis zu vereinfachen und die Variabilität zwischen Beobachtern zu verringern, wodurch eine sehr gute Sensitivität, Spezifität und Präzision bei der Erkennung von Hautmelanomen erreicht wird. Seine Variablen bilden ein aus vier Buchstaben bestehendes Akronym, das leicht zu merken ist und keine komplexen mathematischen Operationen wie im dermatoskopischen ABCD-Algorithmus oder im IDScore erfordert.

Bezüglich des Grades der Übereinstimmung zwischen Beobachtern war die Anwendung der diagnostischen Methoden besser (moderat oder K ˃ 0,4) als die der meisten dermatoskopischen Strukturen (akzeptabel oder K = 0,2–0,4, mit Ausnahmen). Diese Ergebnisse ähneln denen, die in Studien an unerfahrenen Beobachtern erzielt wurden, und wären daher unabhängig von einer vorherigen Ausbildung in Dermatoskopie. In unserer Studie erreichten wir eine mäßige Übereinstimmung zwischen den Beobachtern, unabhängig von der Erfahrung der Forscher in der Dermatoskopie.

Trends in den letzten Jahren scheinen die Entwicklung automatisierter Algorithmen durch den Einsatz von künstlicher Intelligenz und Faltungs-Neuronalen Netzen zu sein, die die Genauigkeit der Melanomdiagnose erhöhen und sogar die des menschlichen Beobachters übertreffen. Die meisten dieser Studien weisen jedoch sehr heterogene Methoden auf, und eine prospektive kontrollierte Studie hat gezeigt, dass der Grad der diagnostischen Genauigkeit bei der Anwendung unter realen Bedingungen drastisch abnimmt.