Nutzung Künstlicher Intelligenz zur Diagnose von androgenetischer Alopezie: Eine Trainings- und Validierungsstudie.

Wir beabsichtigen, künstliche Intelligenz (KI)- und maschinelle Lernmodelle (ML) für die Diagnose von männlichem und weiblichem erblich bedingtem Haarausfall zu entwickeln und zu validieren sowie dessen Schweregrad auf Basis klinischer und trichoskopischer Bilder zu bewerten, unter Verwendung von weit verbreiteten und zugänglichen Handheld-Dermatoskopen.

Die konventionelle Diagnose und Schweregradbeurteilung der androgenetischen Alopezie (AGA) sind mühsame und zeitaufwändige Aufgaben, die anfällig für menschliche Fehler sind. Diese Herausforderungen können mithilfe künstlicher Intelligenz (KI) bewältigt werden, insbesondere durch den Einsatz von maschinellem Lernen und künstlichen neuronalen Netzen zur Verbesserung der diagnostischen Genauigkeit von Klassifikationssystemen für Kopfhauterkrankungen mittels dermatoskopischer Bildanalyse. Die computerunterstützte Auswertung von Haar-Mikrofotografien wurde seit Jahrzehnten versucht, stieß jedoch vor dem Aufkommen von Deep Learning und neuronalen Netzen auf viele technische Hürden; und aktuell verfügbare Software liefert im Vergleich zur visuellen Zählung ungenaue Ergebnisse. Für die trichoskopische Bildgebung sind genauere Analyseverfahren erforderlich, die Deep-Learning-Bilderkennungsmodelle nutzen, die mit einem großen Bilddatensatz trainiert wurden. In den letzten Jahren wurden eine Reihe von Deep-Learning-Modellen unter Verwendung von Videodermoskopie entwickelt, die eine zuverlässige Klassifizierung von Haardichte, -dicke und Schweregrad erreichten, jedoch noch durch kleine, nicht repräsentative Trainingsdatensätze, die Notwendigkeit der Haarrasur und das Fehlen detaillierter Berichterstattung eingeschränkt sind. Darüber hängen nach unserem Wissen alle bisherigen Modelle von der Bildaufnahme mit teuren eigenständigen Videodermoskopiegeräten ab, die nicht weit verbreitet sind, anstatt von Handheld-Dermatoskopen, die allgemein verfügbar sind.

Die Studie wird 400 Teilnehmer (200 gesunde Kontrollpersonen und 200 AGA-Patienten) einschließen. Kontrollpersonen werden anamnestisch und trichoskopisch untersucht, um Haarerkrankungen auszuschließen. Die trichoskopische Untersuchung wird mit einem Handheld-Dermatoskop (CuTechs DS175) mit speziellem Feldabstandshalter durchgeführt. Bei Patienten wird der Schweregrad der Erkrankung anhand geschlechtsspezifischer Skalen bewertet. Bei beiden Gruppen werden standardisierte digitale und trichoskopische Bilder zur Analyse aufgenommen. Die Bilder werden verwendet, um Haare manuell zu zählen und zu klassifizieren, Follikeleinheiten zu bewerten und dermatoskopische Zeichen zu identifizieren. Eine strukturierte Datenbank wird alle Daten speichern und klinische mit Bilddaten verknüpfen, um eine objektive Diagnose zu unterstützen. KI-Modelle, insbesondere CNNs mit Transfer Learning, werden auf vorverarbeiteten Bildern für Klassifikation und Schweregradbewertung trainiert. Die Modellleistung wird anhand von Metriken wie Genauigkeit, Präzision, Recall, F1-Score und AUC-ROC bewertet und mit den von erfahrenen Trichologen berichteten Metriken verglichen, um Genauigkeit und Zuverlässigkeit zu validieren.