Model Dermatology (https://www.modelderm.com) wurde in mehreren akademischen Studien validiert, an denen mehrere renommierte Universitätskliniken weltweit beteiligt waren (Forscher aus Korea, den USA, Chile und Griechenland nahmen an den Validierungsstudien teil). Der Algorithmus wurde mit sorgfältig ausbalancierten Datensätzen trainiert.

In experimentellen Einstellungen war die Leistung vergleichbar mit der von Dermatologen, wenn die Diagnose ausschließlich anhand klinischer Fotos gestellt wurde. Für die Diagnose von verdächtigen Hautläsionen war die Leistung unseres Multiklassen-Algorithmus vergleichbar mit der von Dermatologen in der realen Welt. Wir haben in der prospektiven randomisierten klinischen Studie eine augmentierte Intelligenz demonstriert.

Die Leistung war vergleichbar mit der von Dermatologen in der experimentellen Einstellung.

Der Algorithmus könnte die Leistung von Ärzten in der realen Welt verbessern.

Der Algorithmus könnte vermutete Hautläsionen auf der Ebene von Hausärzten in der Kohortenvalidierung mithilfe von vom Patienten aufgenommenen Bildern triagieren.

Klinische Studie

1. Assessment of Deep Neural Networks for the Diagnosis of Benign and Malignant Skin Neoplasms in Comparison with Dermatologists: A Retrospective Validation Study. PLOS Medicine, 2020
2. Performance of a deep neural network in teledermatology: a single‐center prospective diagnostic study. J Eur Acad Dermatol Venereol. 2020
3. Keratinocytic Skin Cancer Detection on the Face using Region-based Convolutional Neural Network. JAMA Dermatol. 2019
4. Seems to be low, but is it really poor? : Need for Cohort and Comparative studies to Clarify Performance of Deep Neural Networks. J Invest Dermatol. 2020
5. Multiclass Artificial Intelligence in Dermatology: Progress but Still Room for Improvement. J Invest Dermatol. 2020
6. Augment Intelligence Dermatology : Deep Neural Networks Empower Medical Professionals in Diagnosing Skin Cancer and Predicting Treatment Options for 134 Skin Disorders. J Invest Dermatol. 2020
7. Interpretation of the Outputs of Deep Learning Model trained with Skin Cancer Dataset. J Invest Dermatol. 2018
8. Automated Dermatological Diagnosis: Hype or Reality? J Invest Dermatol. 2018
9. Classification of the Clinical Images for Benign and Malignant Cutaneous Tumors Using a Deep Learning Algorithm. J Invest Dermatol. 2018
10. Augmenting the Accuracy of Trainee Doctors in Diagnosing Skin Lesions Suspected of Skin Neoplasms in a Real-World Setting: A Prospective Controlled Before and After Study. PLOS One, 2022
11. Evaluation of Artificial Intelligence-assisted Diagnosis of Skin Neoplasms – a single-center, paralleled, unmasked, randomized controlled trial. J Invest Dermatol. 2022
12. The Degradation of Performance of a State-of-the-art Skin Image Classifier When Applied to Patient-driven Internet Search. Scientific Report 2022

Kommentar [ENG]

1. Toward Augmented Intelligence: The First Prospective, Randomized Clinical Trial Assessing Clinician and Artificial Intelligence Collaboration in Dermatology – J Invest Dermatol. 2022 
2. Automated Classification of Skin Lesions: From Pixels to Practice – J. Invest Dermatol. 2018
3. Problems and Potentials of Automated Object Detection for Skin Cancer Recognition – JAMA Dermatol. 2020

Zeitschrift [ENG]

• KI schlägt Dermatologen bei der Diagnose von Nagelpilz (IEEE Spectrum, Feb. 2018)

Die jüngste erfolgreiche Demonstration der Fähigkeiten von KI im medizinischen Bereich beruhte stark auf einem Team südkoreanischer Forscher, die einen riesigen Datensatz von fast 50.000 Bildern von Zehen- und Fingernägeln zusammenstellten. Diese große Datenmenge, die zur Schulung der Deep-Learning-Netzwerke zur Erkennung von Fällen von Onychomykose - einer häufigen Pilzinfektion, die Nägel verfärbt und brüchig machen kann - verwendet wurde, lieferte den entscheidenden Vorteil, der es dem Deep Learning ermöglichte, medizinische Experten zu übertreffen….

• Neues künstliche Intelligenz-System kann medizinischen Fachkräften helfen, Hautkrankheiten zu diagnostizieren (EurekAlert, März 2020)

Forscher in Korea haben einen auf Deep Learning basierenden künstlichen Intelligenz-Algorithmus entwickelt, der Hauterkrankungen genau klassifizieren, Malignität vorhersagen, primäre Behandlungsoptionen vorschlagen und als Hilfsmittel zur Verbesserung der diagnostischen Genauigkeit von Ärzten dienen kann…..

• KI-unterstützte Diagnose von Hautneoplasmen (Dermonaut, Oktober 2022)

Kurze Zusammenfassung der randomisierten kontrollierten Studie.

• Hautscreening-Apps (Stiftung Warentest, Dezember 2022)

Stiftung Warentest führte eine Untersuchung von "Hautscreening-Apps" durch.

Blog

• AI in Medicine — Importance of Prospective Study (Medium)

Es ist wichtig, dass KI im realen Umfeld gut abschneidet. Darüber hinaus sollte KI in der Lage sein, die Entscheidung von Ärzten oder Patienten zu ändern. Da jedoch die Lücke zwischen den Ergebnissen prospektiver und retrospektiver Forschung recht groß ist, ist es notwendig, den Umfang des Problems einzugrenzen, und wir müssen uns sehr bemühen, die Daten zu verbessern….

Beitragende

Das Model Dermatology wurde mit Beiträgen vieler akademischer Forscher entwickelt. Seung Seog Han leitet das Projekt. Sung Eun Chang, Jung-Im Na, Seong Hwan Kim, Myoung Shin Kim, Gyeong Hun Park, Soo Ick Cho, Woohyung Lim, Ik Jun Moon, Young jae Kim und ilwoo Park haben seit 2016 zur Entwicklung des Algorithmus beigetragen. Wir sind auch dankbar für Cristian Navarrete-Dechent‬, Konstantinos Liopyris, Roxana Daneshjou und Allan Halpern, die die externe Validierung des Algorithmus durchgeführt haben.