Udvinding af kunstig intelligens til diagnostik af androgenetisk alopeci: En trænings- og valideringsundersøgelse.

Vi har til hensigt at udvikle og validere kunstig intelligens (AI) og maskinlæring (ML) modeller til diagnostik af mandligt og kvindeligt mønstret hårtab og vurdering af dets sværhedsgrad baseret på kliniske og trichoskopiske billeder ved hjælp af bredt tilgængelige og tilgængelige håndholdte dermoskoper.

Konventionel androgenetisk alopeci (AGA) diagnostik og sværhedsvurdering er trættende og tidskrævende opgaver, der er udsatte for menneskelige fejl. Disse udfordringer kan håndteres ved hjælp af kunstig intelligens (AI), nemlig ved at udnytte anvendelser af maskinlæring og kunstige neurale netværk til at forbedre diagnostisk nøjagtighed af hovedbundssygdomsklassifikationssystemer via dermoskopisk billedanalyse. Computerassisteret vurdering af hårmikrofotografier er blevet forsøgt i årtier, men stødte på mange tekniske hindringer før dyb læring og neurale netværk; og i øjeblikket tilgængelige software giver unøjagtige resultater sammenlignet med visuel optælling. Mere nøjagtige analysemetoder er nødvendige for trichoskopisk billeddannelse, der udnytter dyb læring billedgenkendelsesmodeller trænet med et stort billeddatasæt. En række dyb læring modeller er blevet udviklet i de seneste år ved hjælp af videodermoskopi, der opnåede pålidelig hårtæthed, tykkelse og sværhedsgradsklassifikation, men forbliver begrænset af små ikke-inkluderende træningsdatasæt, behov for hårbarbering og mangel på detaljeret rapportering. Desuden, så vidt vi ved, afhænger alle tidligere modeller af billedindhentning fra dyre selvstændige videodermoskopienheder, der mangler udbredt tilgængelighed, snarere end håndholdte dermoskoper, der er almindeligt tilgængelige.

Studiet vil inddrage 400 deltagere (200 raske kontroller og 200 AGA-patienter). Kontroller gennemgår anamnese og trichoskopiske undersøgelser for at udelukke hårsygdomme. Trichoskopisk undersøgelse vil blive udført ved hjælp af et håndholdt dermoskop (CuTechs DS175) med en specialiseret feltspacer. Patienter vil blive vurderet for sygdoms sværhedsgrad ved hjælp af køns-specifikke skalaer. Begge grupper vil få taget standardiserede digitale og trichoskopiske billeder til analyse. Billeder vil blive brugt til manuelt at tælle og klassificere hår, vurdere follikel-enheder og identificere dermoskopiske tegn. En struktureret database vil gemme alle data og sammenkæde kliniske og billeddata for at understøtte objektiv diagnostik. AI-modeller, især CNN'er der bruger transfer learning, vil blive trænet på forbehandlede billeder til klassifikation og sværhedsgradsscoring. Modelydelse vil blive evalueret ved hjælp af målinger som nøjagtighed, præcision, recall, F1-score og AUC-ROC sammenlignet med målinger rapporteret af ekspert trichologer for at validere nøjagtighed og pålidelighed.