Algoritmo dermoscopico semplificato per la diagnosi del melanoma

La dermatoscopia si è rivelata un’utile tecnica diagnostica non invasiva per la diagnosi del melanoma cutaneo. Tuttavia, l’accuratezza diagnostica della dermatoscopia dipende in modo significativo dal grado di esperienza degli osservatori. 3 Sono stati descritti molti algoritmi cercando di ottenere un criterio standard per la valutazione dei pattern e delle strutture dermoscopiche. Inoltre, l’applicazione di alcuni algoritmi potrebbe richiedere molto tempo, per cui la loro efficienza e affidabilità nella pratica quotidiana potrebbero essere inferiori alle attese.

Studi precedenti hanno dimostrato che la maggior parte dei melanomi differisce dalle lesioni melanocitiche benigne per il numero di colori, l’asimmetria nei colori o nelle strutture e la presenza di alcune strutture dermoscopiche specifiche del melanoma.

Sulla base di questi fatti, abbiamo effettuato uno studio per sviluppare un algoritmo dermoscopico per la diagnosi del melanoma che soddisfacesse le seguenti caratteristiche: precisione, massima sensibilità e specificità per rilevare il melanoma cutaneo; indipendenza dall’esperienza dell’osservatore in dermatoscopia; e più facile da eseguire nella pratica quotidiana rispetto ai precedenti algoritmi dermoscopici.

Scopo

Proporre un algoritmo dermoscopico semplificato per la diagnosi del melanoma.

materiale e metodi

È stata eseguita un’analisi retrospettiva multicentrica di 1.120 immagini dermoscopiche di tumori melanocitici atipici (320 melanomi e 800 non melanomi).

È stato progettato un algoritmo basato sulla policromia, sull’asimmetria nei colori o nelle strutture e su alcune strutture specifiche del melanoma. È stata calcolata l’analisi di regressione logistica univariata e multivariata per stimare i coefficienti di ciascun potenziale predittore per la diagnosi di melanoma.

È stato sviluppato un punteggio basato su valutazioni dermoscopiche eseguite da quattro esperti in cieco rispetto alla diagnosi istologica.

Risultati

La maggior parte dei melanomi presentava:

• ≥3 colori (280; 84,5%)
• Asimmetria nei colori o nelle strutture (289; 90,3%)
• Almeno una struttura specifica per il melanoma (316; 98,7%).

Il punteggio PASS ≥ 3 aveva una sensibilità del 91,9%, una specificità dell’87% e un’accuratezza diagnostica dell’88,4% per il melanoma. L’algoritmo PASS ha mostrato un’area sotto la curva (AUC) di 0,947 (IC 95% 0,935-0,959).

Immagine dermoscopica di lesioni pigmentate sospette con tre colori: marrone scuro, marrone chiaro e bianco (1 punto); asimmetria di colori e strutture (1 punto); e rete pigmentata atipica come struttura specifica del melanoma (1 punto). Il punteggio PASS era 3. La diagnosi istologica era melanoma in situ a diffusione superficiale.

Limitazioni

Questo studio era retrospettivo. Un confronto tra le prestazioni di diversi algoritmi dermoscopici è difficile a causa della loro progettazione.

Conclusioni

L’algoritmo PASS ha mostrato un’accuratezza diagnostica molto buona, indipendentemente dall’esperienza degli osservatori, e sembra più facile da eseguire rispetto ai precedenti algoritmi dermoscopici.

Discussione

La dermatoscopia è una tecnica diagnostica visiva non invasiva in grado di migliorare l’accuratezza diagnostica del melanoma fino al 49% rispetto all’esame visivo. Esistono diversi algoritmi per diagnosticare il melanoma in base alla presenza o assenza di diversi colori, modelli e strutture dermoscopiche in una lesione. Il suo obiettivo dovrebbe essere quello di fornire una serie di criteri oggettivi ed omogenei nell’analisi delle lesioni pigmentate atipiche e, se possibile, indipendenti dall’esperienza precedente dell’osservatore.

L’analisi della concordanza tra osservatori ha rivelato che l’identificazione di colori e asimmetrie aveva un tasso di concordanza più elevato rispetto alla maggior parte delle strutture dermoscopiche. Studi precedenti hanno stabilito che le caratteristiche relative all’organizzazione complessiva, ai colori e alle simmetrie hanno una maggiore concordanza e potere di discriminazione rispetto a molte strutture diagnostiche ben note, come la rete di pigmenti atipici o le macchie irregolari. Alcuni algoritmi dermoscopici, come gli algoritmi CASH e TADA, si basano su questa idea. Questo risultato è stato confermato nella nostra analisi di concordanza e supporta questo approccio.

L’identificazione delle strutture dermoscopiche specifiche del melanoma è una base comune in quasi tutti questi algoritmi, ma alcuni melanomi potrebbero non presentare alcun criterio dermoscopico specifico. Ciò spiega perché negli ultimi anni sono state descritte così tante strutture e pattern vascolari suggestivi di melanoma. Nel nostro studio, quasi tutti i melanomi presentavano almeno una struttura specifica del melanoma e l’82,5% ne aveva due o più.

Nel 2016, un gruppo di ricercatori dell’International Dermatoscopy Society (IDS) ha pubblicato il più grande studio comparativo tra algoritmi dermoscopici fino ad oggi. 7 Successivamente hanno analizzato, sulla base dell’analisi primaria di alcune strutture dermoscopiche, i risultati di accuratezza diagnostica ottenuti da sei algoritmi analitici.

Il metodo Menzies ha mostrato la sensibilità più alta per il rilevamento del melanoma (95,1%, IC 95% 89,0-98,4%) e la lista di controllo a 3 punti era la più bassa (68,9%). , IC 95% 53,0–64,6%). La specificità più alta è stata mostrata dalla regola ABCD (59,4%, IC 95% 54,0-64,6%) e quella più bassa dal metodo Menzies (24,8%, IC 95% 20,1-30,1%). Non sono state osservate differenze statisticamente significative nell’area sotto la curva ROC dell’algoritmo CASH, della checklist a 7 punti, della checklist a 3 punti, del caos e degli indizi o della regola ABCD, ma il metodo Menzies ha mostrato un’AUC leggermente inferiore. inferiore (P 0,01). Questi risultati possono solo darci un’impressione indicativa dell’affidabilità dei criteri di ciascun algoritmo e dovrebbero essere valutati con cautela.

Altri algoritmi dermoscopici hanno incluso anche criteri clinici come l’età o il diametro del tumore nei loro algoritmi diagnostici per migliorarne l’accuratezza. L’algoritmo 18 PASS considera solo le caratteristiche dermoscopiche per semplificare le sue prestazioni nella pratica quotidiana e ridurre la variabilità tra osservatori, ottenendo un’ottima sensibilità, specificità e precisione per il rilevamento del melanoma cutaneo. Le sue variabili formano un acronimo di quattro lettere facile da ricordare e non richiede operazioni matematiche complesse come nell’algoritmo dermoscopico ABCD o nell’IDScore.

Per quanto riguarda il grado di accordo tra osservatori , l’applicazione dei metodi diagnostici è stata migliore (moderata o K ˃ 0,4) rispetto alla maggior parte delle strutture dermoscopiche (accettabile o K = 0,2-0,4, con eccezioni). Questi risultati sono simili a quelli ottenuti in studi condotti su osservatori inesperti, quindi sarebbero indipendenti dalla precedente formazione in dermatoscopia. Nel nostro studio abbiamo raggiunto un moderato accordo tra osservatori indipendentemente dall’esperienza dei ricercatori in dermatoscopia.

Le tendenze degli ultimi anni sembrano essere lo sviluppo di algoritmi automatizzati attraverso l’uso dell’intelligenza artificiale e delle reti neurali convoluzionali che aumentano la precisione della diagnosi del melanoma e superano addirittura l’osservatore umano. Tuttavia, la maggior parte di questi studi presenta metodologie molto eterogenee e uno studio prospettico controllato ha dimostrato che il grado di accuratezza diagnostica diminuisce drasticamente quando applicato in condizioni di vita reale.