Predicción de cáncer de piel por algoritmo (resultado de 3 estudios)

Informática en Salud Inteligencia Artificial
1

“Ese nevo se ve raro, mejor que lo vea el dermatólogo”. Esta frase se escucha todos los días en Atención Primaria. Los médicos tenemos una escasa formación en dermatología, básicamente, porque es una especialidad donde tienes que ver miles de lesiones iguales para aprender y las rotaciones de un médico general por la especialidad es de entre 3 y 6 meses.

La escasa formación para identificar/predecir qué es maligno de qué es benigno es un problema mundial que genera extensísimas colas de espera para ver a un dermatólogo.

¿Y si usamos la tecnología disponible?
Con esa idea en mente, investigadores crearon 3 estudios, uno mejor que el otro.

Link a los estudios
https://doi.org/10.1038/nature21056
https://doi.org/10.1093/annonc/mdy166
https://doi.org/10.1016/j.jid.2018.01.028

¿Qué hicieron?
En el primer trabajo entrenaron algoritmos diagnósticos con 129.450 fotos de lesiones de piel de pacientes (el dataset más grande visto para estos temas) para detectar 2.032 enfermedades dermatológicas diferentes y crearon 1 algoritmo para cada enfermedad. Y después compararon lo que entregaban los algoritmos contra lo que decían 21 reconocidos dermatólogos de USA o contra los resultados de las biopsias realizadas.

El área sobre la curva AUC fue de 0,96 para carcinoma y 0,94 para melanoma (los 2 algoritmos más interesantes que obtuvieron)

AUC = Área bajo la curva (AREA UNDER THE CURVE)
Menos de 0,5: Es como lanzar una moneda.
Entre 0,5 y 0,6: Test malo.
Entre 0,6 y 0,75: Test regular.
Entre 0,75 y 0,9: Test bueno.
Entre 0.9 y 0.97: Test muy bueno.
Más de 0.97: Test excelente.

El resultado fue que, tanto los médicos como el algoritmo hacían una predicción similar a que la foto mostraba un cáncer a la piel (carcinoma o melanoma)

El segundo estudio muestra cuán entusiasmados están los dermatólogos con estos temas. En los congresos médicos iban reclutando dermatólogos de todo el mundo para testear algoritmos diagnósticos. Aquí compararon los algoritmos (1 algoritmo por cada patología) contra 58 reconocidos dermatólogos mundiales.

El AUC de los dermatólogos 0,79 y de los algoritmos 0,86

En el tercer estudio, tomaron otro dataset, de 19.398 fotos de 12 enfermedades a la piel. El algoritmo para melanoma acá era mejor que los 12 dermatólgoos con que los compararon

El algoritmo tenía una AUC de 0.96 para melanoma

Los 3 estudios se basan en ver fotos de la piel, algo similar a lo que se hace en teledermatología hoy. Sin lugar a dudas, que cuando uno va a una consulta con un dermatólogo, éste ve más cantidad de piel y tiene capacidad de encontrar algo que inicialmente no había sido visto. No obstante, siendo que la mayoría de las lesiones de la piel son identificadas, con mucha dificultad, en APS, tiene muchísimo sentido dotar de estas herramientas a la APS y que deriven lo que el algoritmo predice que es maligno o requiere tratamiento por el especialista.

Esto disminuiría considerablemente las listas de espera.

La forma de empaquetar esto, ya está disponible.

Pueden ver esto en DermEngine, SkinVision o Skin IO

1 me gusta
2

Cual es el standard que tienen los colegas de aps para tomar fotos dermatologicas?
fueron capacitados?
que camaras usan ?
me refiero a
la calidad y cantidad de fotos
acercamiento
fondo
gracias

3

no estoy de acuerdo contigo
lo que mas sopesa estadisticamente en el diagnostico de un cancer de piel es el seguimiento del nevo en estudio
1 foto, en un momento dado no permite per e predecir si es maligno o no
son los cambios DERMATOSCOPICOS lo que revelan la probable malignidad

gracias

4

Estimado Cristian,

Bienvenido al foro. Gracias por comentar.

Los dermatólogos son profesionales con alto entrenamiento para predecir enfermedades de la piel mediante el examen visual, ya sea una psoriasis o un melanoma. Lo que tú indicas de evaluación en el tiempo es uno, de los varios criterios utilizados por los médicos para pronosticar malignidad. No obstante, un dermatólogo puede hacer un pronóstico de melanoma viendo una lesión por única vez con alta sensibilidad y especificidad.

La predicción, como en todo cáncer, se define con la biopsia que es el GOLD ESTÁNDAR para el diagnóstico.

En el día a día, los dermatólogos ven nevos de pacientes uno tras otro. En los que ellos predicen que hay una lesión cancerígena (porque tienen un patrón específico) toman una biopsia de piel y la envían a Anatomía Patológica. Ese reconocimiento del patrón es lo que está entrenado en estos algoritmos.

Los computadores son muchísimo mejor que los humanos en reconocer patrones, es por ello, que la dermatología es una de las especialidades que más se está transformando con la Inteligencia Artificial.

Visual examination — Clinicians assess the probability that a pigmented lesion is a melanoma using a complex cognitive process that includes a combination of the following steps: visual analysis and pattern recognition, comparative analysis of nevus patterns in an individual patient, and dynamic analysis [37]:

●Visual analysis and pattern recognition typically assesses whether a given pigmented lesion has one or more features that may suggest melanoma, including asymmetry, irregular borders, variegated color, and diameter >6 mm. These features have been included in the widely adopted ABCDE checklist, a clinical prediction rule that was devised to help clinicians and laypeople identify suspicious lesions [38]. (See ‘ABCDE criteria’ below.)

●The intrapatient comparative analysis uses the so-called “ugly duckling” sign, which refers to the presence of a single lesion that does not match the patient’s nevus phenotype (the so-called “signature nevus”) [39]. (See ‘The “ugly duckling” sign’ below.)

●A history of change in size, color, or shape of a preexisting melanocytic lesion (the “E” for “evolution” in the ABCDE checklist) is the most important clinical criterion for the diagnosis of melanoma. A change can be noted by the patient or documented by comparison of serial clinical or dermoscopic images.

The diagnostic accuracy of visual inspection was examined in a systematic review and meta-analysis of 49 studies that reported accuracy data for the diagnosis of melanoma based on over 34,000 lesions, including 2500 melanomas [40]. In a subset of six studies of in-person evaluation by visual inspection of participants presenting for the first time with a suspicious pigmented lesion, the summary sensitivity and specificity were 92.4 percent (95% CI 26.2-99.8 percent) and 79.7 percent (95% CI 73.7-84.7 percent), respectively. However, the included studies were highly heterogeneous, as shown by the wide confidence interval, in particular, for sensitivity. No difference in diagnostic accuracy was noted in studies reporting the use of popular algorithms (eg, ABCDE, seven-point checklist) or in studies including participants with prior testing referred for specialist evaluation.

1 me gusta