Künstliche Intelligenz zur Erkennung von Hautkrebs

In der Hoffnung, den Zugang zu medizinischer Versorgung zu verbessern, haben Stanford-Forscher einen Algorithmus zur Diagnose von Hautkrebs trainiert.

Es ist schon beängstigend genug, einen Arzttermin zu vereinbaren, um zu sehen, ob ein fremdes Muttermal krebsartig sein könnte. Stellen Sie sich also vor, Sie wären in dieser Situation, wohnen weit entfernt vom nächsten Arzt, können sich keine Auszeit von der Arbeit nehmen und sind sich nicht sicher, ob Sie genug Geld haben, um die Kosten für den Besuch zu decken. In einem solchen Szenario könnte die Möglichkeit, eine Diagnose über Ihr Smartphone zu erhalten, lebensrettend sein.

Ein Dermatologe untersucht die Haut mit einem Dermatoskop, einer Art Handmikroskop. Informatiker in Stanford haben einen künstlich-intelligenten Diagnosealgorithmus für Hautkrebs entwickelt, der der Leistung zertifizierter Dermatologen entspricht. (Bildnachweis: Matt Young)

Informatiker in Stanford dachten an den universellen Zugang zur Gesundheitsversorgung, als sie sich daran machten, einen künstlich-intelligenten Diagnosealgorithmus für Hautkrebs zu entwickeln. Sie erstellten eine Datenbank mit fast 130.000 Bildern von Hautkrankheiten und trainierten ihren Algorithmus, um potenziellen Krebs visuell zu diagnostizieren. Vom ersten Test an zeigte es eine beeindruckende Genauigkeit.

„Wir haben erkannt, dass es machbar ist, nicht nur etwas gut zu machen, sondern auch als menschlicher Dermatologe“, sagte Sebastian Thrun, außerordentlicher Professor am Stanford Artificial Intelligence Laboratory. „Da änderte sich unser Denken. Da sagten wir: ‚Sehen Sie, das ist nicht nur ein Unterrichtsprojekt für Schüler, es ist eine Gelegenheit, etwas Großartiges für die Menschheit zu tun.‘“

Das Endprodukt, Gegenstand eines Artikels in der Nature-Ausgabe vom 25. Januar, wurde von 21 zertifizierten Dermatologen getestet. Bei der Diagnose von Hautläsionen, die die häufigsten und tödlichsten Hautkrebsarten darstellen, entsprach der Algorithmus der Leistung von Dermatologen.

Jedes Jahr gibt es in den Vereinigten Staaten etwa 5,4 Millionen neue Fälle von Hautkrebs, und während die Fünf-Jahres-Überlebensrate für Melanome, die in ihren frühesten Stadien entdeckt werden, bei etwa 97 Prozent liegt, sinkt diese auf etwa 14 Prozent, wenn sie in ihren letzten Stadien entdeckt werden . Eine frühzeitige Erkennung könnte wahrscheinlich einen enormen Einfluss auf die Folgen von Hautkrebs haben.

Die Diagnose von Hautkrebs beginnt mit einer visuellen Untersuchung. Ein Dermatologe untersucht die verdächtige Läsion normalerweise mit bloßem Auge und mithilfe eines Dermatoskops, einem Handmikroskop, das eine geringe Vergrößerung der Haut ermöglicht. Wenn diese Methoden nicht schlüssig sind oder den Dermatologen zu der Annahme verleiten, dass die Läsion krebsartig ist, ist eine Biopsie der nächste Schritt.

Die Einbeziehung dieses Algorithmus in den Untersuchungsprozess folgt einem Trend in der Datenverarbeitung, der visuelle Verarbeitung mit Deep Learning kombiniert, einer Art künstlicher Intelligenz, die neuronalen Netzen im Gehirn nachempfunden ist. Deep Learning hat in der Informatik eine jahrzehntelange Geschichte, wird aber erst seit Kurzem mit großem Erfolg auf visuelle Verarbeitungsaufgaben angewendet. Die Essenz des maschinellen Lernens, einschließlich Deep Learning, besteht darin, dass ein Computer darauf trainiert wird, ein Problem herauszufinden, anstatt ihm die Antworten einprogrammieren zu lassen.

Andre Esteva (Bildnachweis: Matt Young)

„Wir haben einen sehr leistungsstarken Algorithmus für maschinelles Lernen entwickelt, der aus Daten lernt“, sagte Andre Esteva, Co-Hauptautor der Arbeit und Doktorand im Thrun-Labor. „Anstatt genau in den Computercode zu schreiben, wonach gesucht werden soll, lässt man es den Algorithmus herausfinden.“

Dem Algorithmus wurde jedes Bild als Rohpixel mit einer zugehörigen Krankheitsbezeichnung zugeführt. Im Vergleich zu anderen Methoden zum Trainieren von Algorithmen erfordert diese Methode nur sehr wenig Verarbeitung oder Sortierung der Bilder vor der Klassifizierung, sodass der Algorithmus eine größere Vielfalt an Daten verarbeiten kann.

Anstatt einen Algorithmus von Grund auf zu entwickeln, begannen die Forscher mit einem von Google entwickelten Algorithmus, der bereits darauf trainiert war, 1,28 Millionen Bilder aus 1.000 Objektkategorien zu identifizieren. Während es darauf ausgelegt war, Katzen von Hunden unterscheiden zu können, benötigten die Forscher es, um ein bösartiges Karzinom von einer gutartigen seborrhoischen Keratose zu unterscheiden.

„Es gibt keinen riesigen Datensatz zu Hautkrebs, an dem wir unsere Algorithmen einfach trainieren können, also mussten wir unseren eigenen erstellen“, sagte Brett Kuprel, Co-Hauptautor der Arbeit und Doktorand im Thrun-Labor. „Wir haben Bilder aus dem Internet gesammelt und mit der medizinischen Fakultät zusammengearbeitet, um eine schöne Taxonomie aus Daten zu erstellen, die sehr chaotisch waren – allein die Beschriftungen waren in mehreren Sprachen, darunter Deutsch, Arabisch und Latein.“

Nachdem sie die notwendigen Übersetzungen durchgesehen hatten, arbeiteten die Forscher mit Dermatologen von Stanford Medicine sowie Helen M. Blau, Professorin für Mikrobiologie und Immunologie in Stanford und Co-Autorin des Artikels, zusammen. Gemeinsam arbeitete dieses interdisziplinäre Team daran, das Sammelsurium an Internetbildern zu klassifizieren. Viele davon waren im Gegensatz zu denen, die von Medizinern aufgenommen wurden, hinsichtlich Winkel, Zoom und Beleuchtung unterschiedlich. Am Ende sammelten sie etwa 130.000 Bilder von Hautläsionen, die über 2.000 verschiedene Krankheiten repräsentieren.

Brett Kuprel (Bildnachweis: Mit freundlicher Genehmigung von Brett Kuprel)

Während der Tests verwendeten die Forscher nur hochwertige, durch Biopsie bestätigte Bilder der University of Edinburgh und des International Skin Imaging Collaboration Project, die die häufigsten und tödlichsten Hautkrebsarten darstellten – bösartige Karzinome und bösartige Melanome. Die 21 Dermatologen wurden gefragt, ob sie auf der Grundlage jedes Bildes mit der Biopsie oder Behandlung fortfahren oder den Patienten beruhigen würden. Die Forscher bewerteten den Erfolg daran, wie gut die Dermatologen in über 370 Bildern sowohl krebsartige als auch nicht krebsartige Läsionen korrekt diagnostizieren konnten.

Die Leistung des Algorithmus wurde durch die Erstellung einer Sensitivitäts-Spezifitäts-Kurve gemessen, wobei die Sensitivität seine Fähigkeit zur korrekten Identifizierung bösartiger Läsionen und die Spezifität seine Fähigkeit zur korrekten Identifizierung gutartiger Läsionen darstellte. Die Beurteilung erfolgte anhand von drei wichtigen diagnostischen Aufgaben: Keratinozytenkarzinom-Klassifizierung, Melanom-Klassifizierung und Melanom-Klassifizierung bei Betrachtung mittels Dermatoskopie. Bei allen drei Aufgaben passte der Algorithmus die Leistung der Dermatologen an, wobei die Fläche unter der Sensitivitäts-Spezifitäts-Kurve mindestens 91 Prozent der Gesamtfläche des Diagramms ausmachte.

Ein zusätzlicher Vorteil des Algorithmus besteht darin, dass der Algorithmus im Gegensatz zu einem Menschen mehr oder weniger empfindlich gemacht werden kann, sodass die Forscher seine Reaktion je nachdem, was er bewerten soll, anpassen können. Diese Fähigkeit, die Empfindlichkeit zu ändern, weist auf die Tiefe und Komplexität dieses Algorithmus hin. Die zugrunde liegende Architektur scheinbar irrelevanter Fotos – darunter Katzen und Hunde – hilft dabei, die Bilder von Hautläsionen besser auszuwerten.

Obwohl dieser Algorithmus derzeit auf einem Computer existiert, möchte das Team ihn in naher Zukunft Smartphone-kompatibel machen und uns damit zuverlässige Hautkrebsdiagnosen zur Verfügung stellen.

„Mein wichtigster Aha-Moment war, als mir klar wurde, wie allgegenwärtig Smartphones sein werden“, sagte Esteva. „Jeder wird einen Supercomputer in der Tasche haben, in dem sich eine Reihe von Sensoren befinden, darunter auch eine Kamera. Was wäre, wenn wir es zur visuellen Früherkennung von Hautkrebs nutzen könnten? Oder andere Beschwerden?“

Das Team geht davon aus, dass es relativ einfach sein wird, den Algorithmus auf mobile Geräte zu übertragen, es müssen jedoch noch weitere Tests in einer realen klinischen Umgebung durchgeführt werden.

„Fortschritte bei der computergestützten Klassifizierung von gutartigen und bösartigen Hautläsionen könnten Dermatologen bei der verbesserten Diagnose anspruchsvoller Läsionen erheblich helfen und den Patienten bessere Behandlungsmöglichkeiten bieten“, sagte Susan Swetter, Professorin für Dermatologie und Direktorin des Programms für Pigmentläsionen und Melanome am Stanford Cancer Institute und Co-Autor des Artikels. „Allerdings ist eine strenge prospektive Validierung des Algorithmus erforderlich, bevor er in der klinischen Praxis sowohl von Ärzten als auch von Patienten umgesetzt werden kann.“

Auch angesichts der bevorstehenden Herausforderungen sind die Forscher zuversichtlich, dass Deep Learning eines Tages in vielen medizinischen Bereichen zur visuellen Diagnose beitragen könnte.

Weitere Stanford-Mitautoren dieser Arbeit sind Roberto Novoa, klinischer Assistenzprofessor für Dermatologie und Pathologie, und Justin Ko, klinischer außerordentlicher Professor für Dermatologie. Thrun ist außerdem Gründer und Präsident von Udacity. Blau ist außerdem Direktor des Baxter Laboratory for Stem Cell Biology und Mitglied von Stanford Bio-X, dem Stanford Cardiocular Institute, dem Child Health Research Institute und dem Stanford Cancer Institute.

Die Studie wurde von der Baxter Foundation, dem California Institute for Regenerative Medicine und den National Institutes of Health unterstützt.

Taylor Kubota, Stanford News Service: (650) 724-7707, [email protected]

Die früher als Twitter bekannte Plattform erweist sich als überraschende Quelle für hochwertiges medizinisches Wissen, sagt James Zou, Experte für biomedizinische Datenwissenschaft.

Eine pädiatrische Unfallkrankenschwester, die aus den Waldbränden auf Maui evakuiert wurde, erzählt von den Plänen, die dazu beigetragen haben, ihre Familie zu schützen.

Minghao Qiu, Fellow für Planetary Health, möchte quantifizieren, wie sich die zunehmende Luftverschmutzung durch Waldbrände und Emissionen fossiler Brennstoffe auf die menschliche Gesundheit auswirken wird.