Affiliation:
1. Abteilung für Dermatologie und Allergologie Universitätsklinikum Universität Augsburg Augsburg Deutschland
2. Abteilung für Dermatologie und Allergologie Universitätsklinikum, LMU München München Deutschland
3. DAMAE Medical Paris Paris Frankreich
Abstract
ZusammenfassungHintergrundMit Hilfe des histologischen PRO‐Scores (I–III) kann das Risiko einer malignen Transformation aktinischer Keratosen (AK) abgeschätzt werden, indem er das Ausmaß der Undulation und basalen Proliferation der dermoepidermalen Junktionszone (DEJ) bewertet. Die konfokale Line‐Field optische Kohärenztomographie (LC‐OCT) ermöglicht eine nichtinvasive Bestimmung des PRO‐Scores in Echtzeit. Anhand von LC‐OCT‐Bilddatensätzen kann eine künstliche Intelligenz (KI) mit Hilfe von Convolutional Neural Networks (CNN) zur automatischen Quantifizierung des PRO‐Scores von AK in vivo trainiert werden.Patienten und MethodikConvolutional Neural Networks wurden trainiert, um LC‐OCT‐Bilder von gesunder Haut und von AK zu segmentieren. PRO‐Score‐Modelle wurden in Übereinstimmung mit dem histopathologischen Goldstandard entwickelt und an einer Teilmenge von 237 LC‐OCT‐AK‐Bildern trainiert und an 76 Bildern getestet, wobei der von der KI‐berechnete PRO‐Score mit dem visuellen Konsens der Bildgebungsexperten verglichen wurde.ErgebnisseEine signifikante Übereinstimmung wurde in 57/76 (75%) Fällen festgestellt. Die KI‐basierte Bewertung des PRO‐Scores korrelierte am besten mit dem visuellen Score für PRO II (84,8%) vs. PRO III (69,2%) vs. PRO I (66,6%). In 25% der Fälle kam es zu Fehlinterpretationen, die meist auf eine Verschattung der DEJ sowie störende Merkmale wie Haarfollikel zurückzuführen waren.SchlussfolgerungenDie Ergebnisse deuten darauf hin, dass CNN für die automatische Quantifizierung des PRO‐Scores in LC‐OCT‐Bilddatensätzen hilfreich sind. Dies könnte zur nichtinvasiven Bewertung des Proliferationsrisikos in der Diagnostik und Nachsorge von AK herangezogen werden.