Artikel

Hautkrebs-Diagnostik: automatische Diagnose von Melanomen

Hautkrebs-Diagnostik: automatische Diagnose von Melanomen

Welches sind die Diagnose-Tools der Zukunft, die zur Hautkrebserkennung eingesetzt werden? Und können sie die durch den Hautarzt erstellte Diagnose ersetzen?


Hightech-Lösungen zur Erkennung und Analyse von Leberflecken (Pigmentnävi) können nützlich sein, um präzise Aufzeichnungen der menschlichen Haut zu liefern. In den letzten Jahren wurden mittels Anwendung militärischer Überwachungs- und Kriegstechnologie (1) Computeralgorithmen entworfen, die nach auffälligen und sich verändernden Muttermalen suchen.
 

Die Analyse von tiefen konvolutionellen neuronalen Netzwerken kann Muttermale mit hoher Genauigkeit in gutartige und bösartige Läsionen gruppieren (2). Im Rahmen einer Studie (2), die in der Fachzeitschrift "Nature" veröffentlicht wurde, differenzierte der Algorithmus der faltender neuronaler Netzwerke zwischen gutartigen, bösartigen und nicht-neoplastischen Läsionen mit einer Genauigkeit von etwa 72% im Vergleich zu einer Genauigkeit von etwa 66% derselben Untersuchung durch zwei Dermatologen; bei melanozytären Läsionen zeigte der Algorithmus bessere Ergebnisse in Sache Sensitivität und Spezifität als die klinische Untersuchung durch 21 Dermatologen. Allerdings müssen diese Ergebnisse in weiteren unabhängigen Studien geprüft werden. Trotz jüngster Fortschritte bestehen immer noch Fragen dazu, wie PatientInnen von dieser Technologie profitieren können und wie das Verfahren am besten in die klinische Praxis integriert werden kann.
 

Obwohl allgemeine Screenings heuer weit verbreitet sind, raten weltweit Krebs-Kompetenzzentren von Hautkrebs-Screenings grundsätzlich ab, während regelmäßige Selbstuntersuchungen der Haut und Hautuntersuchungen bei Dermatologen bei verdächtigen Muttermalen empfohlen werden. Belege, dass klinische Hautuntersuchungen sinnvoll sind, finden sich in der Queensland Melanom Fall-Kontroll-Studie (4) sowie in weiteren ähnlichen Studien, die zeigen konnten, dass klinische Hautuntersuchungen zur Früherkennung vom dünnen Melanom deutlich beitragen.
 

Apps, die einen einfachen Zugang auf eine personalisierte Einschätzung melanomverdächtiger Pigmentmale bieten, können Nutzer auf eine regelmäßige Selbstuntersuchung der Haut aufmerksam machen und Menschen, die diesen Prozess als komplex empfinden, dauernd begleiten (3). Mittlerweile gibt es mehrere Hautscreening-Apps, welche Fotoaufnahme und –versand anbieten, diese unterscheiden sich allerdings stark in Komplexität und Preis. Ob solche Apps vor (zum Erkennen von benignen Läsionen) oder nach (zur zusätzlichen Kontrolle) einer ärztlichen Diagnose einzusetzen sind, ist unter anderem auch eine Frage, die offen steht.

Hautscreening-Apps sollen und können die Patient-Arzt-Beziehung nicht ersetzen, sondern nur ergänzen, da eine endgültige Diagnose nur durch einen Hautarzt erstellt werden kann.

 

Obwohl innovative Technologie-Lösungen vielversprechend sind, sind die Validierungsstudien im Gebiet meist zu klein, sie mangeln an Kontrollgruppen oder werden in der klinischen Praxis nicht repliziert. Um diesbezüglich Impulse zu geben, finden größere unabhängige Forschungsinitiativen statt – so bspw. die International Skin Imaging Collaboration Challenge, die sich der Hautläsionanalyse zur Erkennung von Melanomen widmet (5). Solche Engagements können ein wichtiges Mittel im Kampf gegen Melanome sein.
 

Literatur:

(1) Leichman AK. App uses adapted Israeli airforce imaging tech to detect skin cancer. ISRAEL21c 2016; 3 May. https://www.israel21c.org/app-uses-adapted/iaf-imaging-techto-detect-skin-cancer [Zugriff: Juni 2017].

(2) Esteva A, Kuprel B, Novoa RA, et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature 2017; 542: 115-118.

(3) Kassianos AP, Emery JD, Murchie P, Walter FM. Smartphone applications for melanoma detection by community, patient and generalist clinician users: a review. Br J Dermatol 2015; 172: 1507-1518.

(4) Aitken JF, Elwood M, Baade PD, et al. Clinical whole-body skin examination reduces the incidence of thick melanomas. Int J Cancer 2010; 126: 450-458.

(5) International Skin Imaging Collaboration. ISBI 2016: skin lesion analysis towards melanoma detection. https://challenge.kitware.com/#challenge/n/ISBI_ 2016%3A_Skin_Lesion_Analysis_Towards_Melanoma_Detection [Zugriff: Juni 2017].

Quelle: Janda, Monika / Soyer, H. Peter: Automated diagnosis of melanoma. In: MJA 207 (8) / 16.10.2017. S. 361f. / Redaktionelle Bearbeitung: Simona Ganeva (CredoWeb)

Kommentare