AFFILIAZIONE
università di siena, dipartimento di scienze mediche, chirurgiche e neuroscienze
AUTORE PRINCIPALE
PhD Cartocci Alessandra
Registrazione obbligatoria. Una valutazione consentita
GRUPPO DI LAVORO
MD, PhD Tognetti Linda università di siena, dipartimento di scienze mediche, chirurgiche e neuroscienze
Phd Iadanza Ernesto università di siena, dipartimento di biotecnologie mediche
Professore Rubegni Pietro università di siena, dipartimento di scienze mediche, chirurgiche e neuroscienze
Professore Cevenini Gabriele università di siena, dipartimento di biotecnologie mediche
Phd Iadanza Ernesto università di siena, dipartimento di biotecnologie mediche
Professore Rubegni Pietro università di siena, dipartimento di scienze mediche, chirurgiche e neuroscienze
Professore Cevenini Gabriele università di siena, dipartimento di biotecnologie mediche
AREA TEMATICA
Applicazioni innovative di bioingegneria (premio miglior tesi dottorato)
ABSTRACT
Introduzione: La diagnosi delle lesioni pigmentate del volto risulta essere ancora molto difficile per i dermatologi. Una diagnosi accurata di queste lesioni è cruciale in quanto eviterebbe escissioni e trattamenti invasivi non necessari. Le lesioni benigne del volto sono molto simili a quelle maligne e tutte presentano un’alta eterogeneità di forme, colori e strutture. L’intelligenza artificiale (IA) potrebbe supportare i dermatologi nella pratica clinica. Ci sono già esempi di modelli di IA, soprattutto di deep learning (DL), in dermatologia. Le lesioni del volto costituiscono un sottogruppo particolare che spesso viene escluso dai database. Questo studio mira a valutare la performance di un modello di Convolutional Neural Network (CNN) nella diagnosi delle lesioni pigmentate del volto e a confrontarne i risultati con la diagnosi diretta dei clinici
Metodi: Studio multicentrico europeo. Sono state raccolte immagini dermoscopiche di lesioni cutanee del volto confermate istologicamente. Sono state incluse due diagnosi maligne, lentigo maligna e lentigo maligna melanoma, che sono state accorpate per sviluppare il modello, e cinque diagnosi benigne: nevi , cheratosi attiniche, lentigo solare, cheratosi seborroica e cheratosi lichenoidi seborroica. Queste immagini sono state fornite da dodici centri europei. Il modello CNN è una Resnet34 ed è stato effettuato una 5-fold cross validation
Risultati: Sono state raccolte e analizzate 1197 immagini. L’età media dei pazienti era di 65,45 ± 14,2 anni, e il genere era equamente distribuito. Circa il 40% del database era costituito da casi maligni. Ll modello CNN ha mostrato una sensibilità elevata per la diagnosi di melanoma, con una performance consistente tra training, validation e testing. Nel confronto tra la risposta del modello e la risposta dei partecipanti, si osserva una maggiore sensibilità, di circa il 23%, del modello. Le lesioni SLK sono quasi interamente riconosciute, ma sono poche rispetto alle altre categorie. Al contrario, le sensibilità per PAK, SK e SL sono comparabili tra CNN e le sensibilità dei dermatologi.
Conclusioni: I modelli di IA sono ottimi strumenti di supporto alle decisioni, nonostante si debba ancora affrontare sfide per l’integrazione nella pratica clinica. Specialmente i modelli di deep learning basati sulle immagini hanno e avranno sempre di più un ampio utilizzo in campo dermatologico in quanto la diagnosi si basa sull’osservazione di immagini provenienti da tecniche non invasive.
Metodi: Studio multicentrico europeo. Sono state raccolte immagini dermoscopiche di lesioni cutanee del volto confermate istologicamente. Sono state incluse due diagnosi maligne, lentigo maligna e lentigo maligna melanoma, che sono state accorpate per sviluppare il modello, e cinque diagnosi benigne: nevi , cheratosi attiniche, lentigo solare, cheratosi seborroica e cheratosi lichenoidi seborroica. Queste immagini sono state fornite da dodici centri europei. Il modello CNN è una Resnet34 ed è stato effettuato una 5-fold cross validation
Risultati: Sono state raccolte e analizzate 1197 immagini. L’età media dei pazienti era di 65,45 ± 14,2 anni, e il genere era equamente distribuito. Circa il 40% del database era costituito da casi maligni. Ll modello CNN ha mostrato una sensibilità elevata per la diagnosi di melanoma, con una performance consistente tra training, validation e testing. Nel confronto tra la risposta del modello e la risposta dei partecipanti, si osserva una maggiore sensibilità, di circa il 23%, del modello. Le lesioni SLK sono quasi interamente riconosciute, ma sono poche rispetto alle altre categorie. Al contrario, le sensibilità per PAK, SK e SL sono comparabili tra CNN e le sensibilità dei dermatologi.
Conclusioni: I modelli di IA sono ottimi strumenti di supporto alle decisioni, nonostante si debba ancora affrontare sfide per l’integrazione nella pratica clinica. Specialmente i modelli di deep learning basati sulle immagini hanno e avranno sempre di più un ampio utilizzo in campo dermatologico in quanto la diagnosi si basa sull’osservazione di immagini provenienti da tecniche non invasive.
