Patienten-App mit künstlicher Intelligenz für RDEB-SCCs

In dieser Studie wird ein künstliches Intelligenzmodell zur Erkennung von Plattenepithelkarzinomen (SCC) auf Fotos von Haut mit rezessiver dystrophischer Epidermolysis bullosa (RDEB) entwickelt. Das ultimative Ziel ist es, dieses Modell in eine App für Patienten und Ärzte zu integrieren, um SCCs bei RDEB frühzeitig zu erkennen.

SCCs, die schnell metastasieren, sind die Haupttodesursache bei Erwachsenen mit RDEB. Je früher ein SCC erkannt wird, desto einfacher kann es entfernt werden und desto besser ist das Ergebnis. KI nutzt die Informatik, um Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern, und wurde kürzlich verwendet, um Hautkrebs anhand von Bildern zu identifizieren. Wir entwickeln derzeit einen KI-Ansatz zur Früherkennung von SCC und zur Unterscheidung von Malignität von chronischen Wunden und anderen RDEB-Hautbefunden. Ziel ist es, eine Webanwendung für Patienten mit RDEB zu erstellen, um Bilder ihrer Haut hochzuladen und eine Ausgabe zu erhalten, ob SCC vorhanden / kein SCC vorhanden ist. Dies ist besonders wertvoll für Patienten mit schwierigem Zugang zu medizinischem Fachwissen und für diejenigen, die zögern, bei jedem Besuch eine vollständige Hautuntersuchung zuzulassen, oft aus Angst vor Biopsien. Somit wird dieses Projekt den Patienten direkt zugutekommen, indem es die Früherkennung von SCCs ermöglicht, und wird Patienten und ihre Familien stärken, indem es ein Hilfsmittel für den Heimgebrauch bereitstellt.

Bisher hat das Studienteam hauptsächlich professionelle Bilder (Fotografien, die im Krankenhaus von Ärzten, Krankenschwestern und klinischen Fotografen aufgenommen wurden) sowohl von SCCs in RDEB als auch Bilder von RDEB-Haut ohne SCC verwendet, um das KI-Modell zu entwickeln und zu trainieren. Die Bilder, die in einer realen Umgebung erwartet werden, sind meistens Bilder, die von Patienten oder Familienmitgliedern mit ihren Telefonen oder Digitalkameras aufgenommen wurden. Diese Bilder haben unterschiedliche Eigenschaften in Bezug auf Auflösung, Fokus, Beleuchtung und Hintergründe. Die Einbindung solcher Bilder wird in den kommenden Phasen der Modellentwicklung – Tests und Validierung – entscheidend sein, damit die Webanwendung für Patienten ein Erfolg wird.