Eine neue Studie hat ergeben, dass ein direkt an den Verbraucher gerichtetes maschinelles Lernmodell zur Erkennung von Hautkrebs seltene und aggressive Krebsarten fälschlicherweise als risikoarm einstufte.
Bahnbrechende Entdeckungen, die heute auf dem 30. EADV-Kongress vorgestellt wurden, legen nahe, dass es ethisch fragwürdig ist, auf solchen Modellen basierende Anwendungen ohne Transparenz der Leistungsmetriken für seltene, aber lebensbedrohliche Hautkrebsarten direkt der Öffentlichkeit zugänglich zu machen.
Eine neue Studie zeigt, dass direkt an den Verbraucher gerichtete Hautkrebs-Screening-Apps lebensbedrohliche Krebserkrankungen nicht erkennen können
Forscher in London konzentrierten sich auf zwei Arten von Hautkrebs, das Merkelzellkarzinom (MCC) und das amelanotische Melanom , beides seltene, aber besonders aggressive Krebsarten, die dazu neigen, schnell zu wachsen und eine frühzeitige Behandlung erfordern. Sie erstellten einen Datensatz aus 116 Bildern dieser seltenen Krebsarten und der gutartigen Läsionen seborrhoische Keratose und Hämangiome und werteten diese Bilder mit zwei maschinellen Lernmodellen aus.
Über Merkelzellkarzinom Das Merkelzellkarzinom (MCC) ist ein seltener, nicht-melanozytärer Krebs, der sehr aggressiv ist und schnell wächst. Es beginnt in den hormonproduzierenden Merkelzellen, die sich meist in der obersten Hautschicht und in den Haarfollikeln befinden. MCC stellt sich als bläulich-rote Knoten auf der Haut dar, die häufig an Kopf, Hals, Armen und Beinen zu finden sind, sich aber auch auf andere Körperteile ausbreiten können. Es wird hauptsächlich mit ultraviolettem Licht, durch längere Sonneneinstrahlung und im Solarium sowie durch Erkrankungen oder Behandlungen, die das Immunsystem schwächen, und Polyomavirus-Infektionen in Verbindung gebracht. Die Prävalenz von CCM beträgt 0,2 bis 0,45 Fälle pro 100.000 Einwohner. Über amelanotisches Melanom Das Melanom ist eine Art von Hautkrebs, der sich in Zellen entwickelt, die Melanozyten genannt werden. Ältere Menschen sind häufiger betroffen. Das amelanotische Melanom ist selten und macht etwa 8 % aller Melanome aus. Amelanotisch bedeutet ohne Melanin, einem dunklen Hautpigment. Im Gegensatz zu anderen Melanomen sind amelanotische Melanome normalerweise eher rot oder hautfarben als dunkel. Aufgrund ihrer fehlenden Farbe sind sie oft schwer zu diagnostizieren und können mit anderen Hauterkrankungen verwechselt werden. Da ihre Diagnose in der Regel verzögert erfolgt, sind sie daher mit einer schlechten Prognose verbunden. |
Das erste untersuchte Modell war ein zertifiziertes medizinisches Gerät, das über den App Store direkt an die Öffentlichkeit verkauft wurde und mit der Fähigkeit beworben wurde, 95 % aller Hautkrebserkrankungen zu diagnostizieren (Modell 1). Das zweite Modell stand nur zu Forschungszwecken zur Verfügung und diente als Referenz (Modell 2).
Die Ergebnisse zeigten, dass Modell 1 17,9 % der MCCs und 22,9 % der amelanotischen Melanome fälschlicherweise als geringes Risiko einstufte. Im Gegenzug wurden 62,2 % der gutartigen Läsionen als Hochrisiko eingestuft.
Für die Erkennung von Malignität betrug die Sensitivität von Modell 1 79,4 % [95 %-Konfidenzintervall (KI): 69,3–89,4 %] und die Spezifität 37,7 % [95 %-KI]. %: 24,7-50,8].
Bei Modell 2 war MCC in keinem der 28 analysierten MCC-Bilder in der Top-5-Diagnose enthalten, was die Möglichkeit erhöht, dass das Modell nicht auf die Existenz dieser Krankheitsklasse trainiert wurde.
Die hohe Rate falsch positiver Ergebnisse in Modell 1 hat potenziell negative Folgen auf persönlicher und gesellschaftlicher Ebene.
Die Ergebnisse werfen eine größere Frage hinsichtlich der Sicherheit anderer auf dem Markt erhältlicher Hautkrebserkennungsmodelle mit künstlicher Intelligenz (KI) auf.
Lloyd Steele, Hauptautor der Studie am Blizard Institute an der Queen Mary University of London, Großbritannien, erklärt: „Um die Modellbewertungen für maschinelles Lernen zu verbessern, muss das Spektrum der Krankheiten berücksichtigt werden, die in der Praxis auftreten werden.“ „Derzeit basiert die Leistung dieser Modelle größtenteils auf verfügbaren Bilddaten, die bei seltenen Hautkrebsarten besonders spärlich sind.“
Eine globale Zusammenarbeit zwischen Forschungsgruppen und Krankenhäusern könnte ein Schritt zur Schließung der Datenlücke in der Bildgebung von Hautkrebs sein, die ein entscheidendes Element für eine leistungsstarke maschinelle Lernrate ist.
Marie-Aleth Richard, EADV-Vorstandsmitglied und Professorin am Universitätskrankenhaus La Timone in Marseille, sagte: „Die Zahl der Hautkrebs-Screening-Apps, die Verbrauchern zur Verfügung stehen, wächst, aber wie in dieser Studie gezeigt, muss die Sicherheit transparenter sein.“ und Wirksamkeit dieser Anwendungen. Darüber hinaus erkennen diese Geräte nur das, was sie analysieren sollen, und führen keine systematische Analyse der gesamten Hautoberfläche durch. Untransparenz könnte Leben gefährden.“
