Künstliche Intelligenz in der Dermatologie: Vergangenheit, Gegenwart und Zukunft

Künstliche Intelligenz (KI) hat sich zu einem integralen Bestandteil verschiedener Disziplinen entwickelt, einschließlich des medizinischen Bereichs. Der Begriff „KI“ wurde erstmals 1956 auf der Dartmouth-Konferenz geprägt. Seither hat sich KI schrittweise in alle Aspekte der Medizin ausgebreitet, mit bedeutenden Anwendungen in der medizinischen Bilderkennung, unterstützten Diagnostik, Biotechnologie und Arzneimittelforschung. Unter diesen ist die medizinische Bilderkennung die am weitesten verbreitete Anwendung. Die Dermatologie, ein Fachgebiet, das stark auf morphologische Merkmale und visuelle Mustererkennung angewiesen ist, eignet sich besonders für KI-gestützte Diagnosen. Dieser Artikel beleuchtet die Vergangenheit, Gegenwart und Zukunft der KI in der Dermatologie und betont ihre Entwicklung, aktuellen Anwendungen und potenziellen Herausforderungen.

Die Vergangenheit der KI in der Dermatologie

In den Anfangsjahren erhielt KI in der Medizin aufgrund zahlreicher Einschränkungen nur wenig Aufmerksamkeit. Dazu gehörten der Mangel an großen Mengen gelabelter Daten, unzureichende Stichproben zur Anpassung komplexer Netzwerkmodelle, Probleme mit lokalen Extremwerten, Gradientenzerstreuung sowie unzureichende Hardwarebedingungen. Trotz dieser Herausforderungen wurden künstliche neuronale Netze (KNN) für verschiedene medizinische Anwendungen entwickelt, ihr Einsatz in der Dermatologie blieb jedoch begrenzt. Die Hauptanwendung von KNN in der Dermatologie war die In-vivo-Differenzierung von benignen und malignen pigmentierten Läsionen.

Das Konzept des „Deep Learning“ wurde 2006 von Hinton et al. eingeführt und revolutionierte das Feld. Deep Learning ermöglicht es computationalen Modellen mit mehreren Verarbeitungsschichten, Datenrepräsentationen mit multiplen Abstraktionsebenen zu erlernen. Dieser Ansatz hat sich als äußerst effektiv erwiesen, um komplexe Strukturen in hochdimensionalen Daten zu entdecken, und übertrifft andere maschinelle Lernmethoden in der Bild- und Spracherkennung. In den letzten zehn Jahren wurde Deep Learning, insbesondere mit faltenden neuronalen Netzen (CNNs), breit in der Bildverarbeitung, Spracherkennung, Textverarbeitung und sogar in komplexen Spielen wie Go angewendet.

Die Anwendung von KI in der Dermatologie hinkte ihrer Nutzung in der Radiologie hinterher. Radiologische KI hat bedeutende Fortschritte bei der Detektion und Diagnose von kleinen Lungenknoten und Lungenkrebs erzielt. KI kann nun verdächtige Knoten identifizieren, deren Form beschreiben, Knoten detektieren und deren Benignität oder Malignität beurteilen. Darüber hinaus kann KI Veränderungen von Knoten über die Zeit verfolgen – eine Aufgabe, die für menschliche Experten herausfordernd ist. Der Erfolg der KI in der Radiologie diente als Vorbild für ihre Anwendung in der Dermatologie und demonstrierte das Potenzial, Unterschiede zwischen Ärzten verschiedener Qualifikationsniveaus auszugleichen und die Diagnosegenauigkeit zu verbessern.

Der aktuelle Status der KI in der Dermatologie

Im Jahr 2017 veröffentlichte die Stanford University eine bahnbrechende Studie in Nature, die das Potenzial von Deep Learning in der Dermatologie verdeutlichte. Die Forscher trainierten ein CNN mit einem Datensatz von 129.450 klinischen Bildern, die 2032 verschiedene Erkrankungen repräsentierten. Das CNN wurde zur Pixel- und Krankheitskennzeichnung feinkörniger Objekte eingesetzt, und ein Trainingsmodell wurde konstruiert. Die Leistung des Modells wurde validiert, indem seine Diagnoseergebnisse mit denen von 21 board-zertifizierten Dermatologen verglichen wurden. Das CNN erreichte eine mit allen getesteten Experten vergleichbare Leistung bei der Klassifizierung von Hautkrebs, was das Potenzial der KI unterstreicht, die diagnostische Kompetenz von Dermatologen zu erreichen.

Eine weitere Studie verglich die Leistung eines CNN, das ausschließlich mit dermatoskopischen Bildern zur Melanomerkennung trainiert wurde, mit der manuellen Beurteilung derselben Bilder durch Dermatologen. Das CNN, das mit 12.378 Open-Source-Dermatoskopiebildern trainiert wurde, wurde an 100 Melanom-Bildern getestet. Die Ergebnisse zeigten, dass die Leistung des CNN mit der von 145 Dermatologen vergleichbar war, was die Robustheit computergestützter Bildklassifikation in der Dermatologie unterstreicht.

In China hat die dermatologische KI ebenfalls bedeutende Fortschritte erzielt. Die Chinese Skin Image Database (CSID) wurde im Mai 2017 etabliert, um dermatologische Bildressourcen zu integrieren und die KI-Entwicklung zu unterstützen. Die CSID zielt darauf ab, ein kollaboratives Netzwerk für dermatologische Bildgebung aufzubauen, ein Qualitätsmanagementsystem für Hautkrankheitsdiagnosen zu entwickeln und eine „Cloud“-Plattform für nutzerorientierte Bilddienste zu schaffen. Die Datenbank hat die Entwicklung KI-gestützter Diagnosewerkzeuge wie Youzhi Skin AI ermöglicht, das benigne und maligne Hauttumoren mit hoher Genauigkeit klassifizieren kann.

Mehrere KI-Produkte wurden in China entwickelt, darunter Youzhi Skin-Melanonychia AI zur unterstützten Diagnose pigmentierter Nagelläsionen und Psoriasis Chronic Disease Management AI zur Diagnose und Therapie von Psoriasis. Die Plattform AIDERMA bietet umfassende KI-gestützte Diagnose und Behandlung für über 90 häufige Hauterkrankungen und liefert Klinikern unmittelbare Diagnose- und Therapieansätze basierend auf hochgeladenen Bildern von Hautläsionen.

Internationale dermatologische KI-Produkte

Weltweit haben mehrere KI-Teams und Forschungsinstitute bedeutende Beiträge zur dermatologischen KI geleistet. Ein gemeinsames Forschungsteam der Stanford University entwickelte ein KI-System, das mit menschlichen Ärzten bei der Hautkrebsdiagnose vergleichbar ist. Ein Team aus deutschen, US-amerikanischen und französischen Forschern trainierte ein KI-System zur Identifikation gefährlicher Hautläsionen und benigner Veränderungen.

Unternehmen wie DeepMind und SkinVision haben ebenfalls zum Feld beigetragen. DeepMind forscht an KI-gestützter Augenerkrankungserkennung, Brustkrebsidentifikation und Nierenschadenprognose. SkinVision, gegründet 2011, dient als Präventionsmedium zur Früherkennung von Hautkrebs via Smartphone-Bilder. Nutzer erhalten innerhalb von 30 Sekunden eine Risikoeinschätzung sowie Handlungsempfehlungen.

Die Zukunft der dermatologischen KI: Chancen und Herausforderungen

Die rasante Entwicklung der dermatologischen KI wird durch nationale Strategien gefördert. Die USA, Großbritannien und die EU haben KI-Förderpläne veröffentlicht. In China zielen Initiativen wie „Made in China 2025“ und der „New Generation of AI Development Plan“ darauf ab, strategische Chancen in der KI-Entwicklung zu nutzen.

Trotz der Fortschritte bestehen Herausforderungen: Die verfügbaren dermatologischen Bilddaten sind begrenzt, und der Informationsaustausch zwischen Krankenhäusern ist gering. Die Standardisierung und Qualität von Hautbildern variiert, was die Datenerhebung erschwert. Zudem fehlt es an interdisziplinärer Expertise, die Medizin und KI verbindet. Juristische, ethische und Datenschutzfragen müssen geklärt werden. In China hat bisher kein dermatologisches KI-Produkt eine Medizinproduktezulassung erhalten, was die Kommerzialisierung hemmt.

Die Diagnose von Hauterkrankungen erfordert die Integration von Anamnese, Demografie und klinischen Bildern. KI kann diese Daten analysieren, um Diagnosen, Therapieentscheidungen und Prognosen zu verbessern. Dennoch kann KI die Arzt-Patienten-Kommunikation nicht ersetzen oder menschliche Fürsorge bieten.

In der Forschung hat der National Natural Science Fund of China die Finanzierung für KI-Grundlagenforschung erhöht. Die CSID hat ein offenes Forschungsförderprogramm etabliert, um dermatologische Bildgebungsstudien zu unterstützen.

Seit 2010 haben über 40 chinesische Universitäten KI-Studiengänge eingeführt. Krankenhäuser, Universitäten und Tech-Unternehmen investieren verstärkt in dermatologische KI, was zu einem signifikanten Anstieg von Marktvolumen und Finanzierung führte.

Zusammenfassend erfährt die dermatologische KI beispiellose Unterstützung durch Politik, Ausbildung, Forschung und Kapital. Mit der Weiterentwicklung von KI-Theorien, verbesserten Datenbanken und interdisziplinärer Zusammenarbeit wird KI Dermatologen präzisere und personalisierte Diagnosewerkzeuge bieten – stets mit dem Ziel, Ärzte und Patienten besser zu unterstützen.

doi.org/10.1097/CM9.0000000000000372