Tekoälyn hyödyntäminen androgenetisen alopecian diagnosoinnissa: koulutus- ja validointitutkimus.

Aiomme kehittää ja validoida tekoälyä (AI) ja koneoppimista (ML) hyödyntäviä malleja miesten ja naisten perinnöllisen hiustenlähtötilan diagnosoinnissa sekä sen vaikeusasteen arvioinnissa perustuen kliinisiin ja trikoskooppisiin kuvin, käyttäen laajasti saatavilla olevia ja helppokäyttöisiä käsisuurennuslaitteita.

Perinteinen perinnöllisen hiustenlähtötilan (AGA) diagnosointi ja vaikeusasteen arviointi ovat työläitä ja aikaa vieviä tehtäviä, jotka ovat alttiita ihmisen tekemille virheille. Nämä haasteet voidaan ratkaista tekoälyn avulla, erityisesti hyödyntämällä koneoppimisen ja keinotekoisten hermoverkkojen sovelluksia päänahan sairauksien luokittelujärjestelmien diagnostisen tarkkuuden parantamiseksi dermoskooppisen kuvien analyysin kautta. Tietokoneavusteista hiusmikrokuvien arviointia on yritetty vuosikymmeniä, mutta se kohtasi monia teknisiä esteitä ennen syväoppimisen ja hermoverkkojen tuloa; ja nykyiset saatavilla olevat ohjelmistot tuottavat epätarkkoja tuloksia verrattuna visuaaliseen laskentaan. Tarkempia analyysimenetelmiä tarvitaan trikoskooppiseen kuvantamiseen, hyödyntäen syväoppimiseen perustuvia kuvantunnistusmalleja, jotka on koulutettu suurella kuvadatalla. Useita syväoppimismalleja on kehitetty viime vuosina käyttäen videodermoskopiaa, jotka saavuttivat luotettavan hiustiheyden, -paksuuden ja vaikeusasteen luokittelun, mutta niitä rajoittavat edelleen pienet, ei-inklusiiviset koulutusdatasetti, tarve hiusten ajamiseen ja yksityiskohtaisten raporttien puute. Lisäksi, tietojemme mukaan kaikki aiemmat mallit riippuvat kuvien hankinnasta kalliista erillisistä videodermoskopialaitteista, joita ei ole laajalti saatavilla, sen sijaan että käytettäisiin yleisesti saatavilla olevia käsisuurennuslaitteita.

Tutkimukseen osallistuu 400 osallistujaa (200 terveitä verrokkia ja 200 AGA-potilasta). Verrokkien kohdalla suoritetaan anamneesi ja trikoskooppiset tutkimukset hiusten häiriöiden poissulkemiseksi. Trikoskooppinen tutkimus suoritetaan käsisuurennuslaitteella (CuTechs DS175), jossa on erikoistunut kenttäväli. Potilaille arvioidaan sairauden vaikeusaste sukupuolikohtaisten asteikkojen avulla. Molemmista ryhmistä otetaan standardoidut digitaaliset ja trikoskooppiset kuvat analyysiä varten. Kuvia käytetään hiusten manuaaliseen laskemiseen ja luokitteluun, hiussuonten yksiköiden arviointiin ja dermoskooppisten merkkien tunnistamiseen. Rakenteellinen tietokanta tallentaa kaikki tiedot ja linkittää kliinisen ja kuvatiedon tukeakseen objektiivista diagnoosia. Tekoälymalleja, erityisesti siirto-oppimista hyödyntäviä konvoluutioneuroverkkoja (CNN), koulutetaan esikäsitellyillä kuvilla luokitteluun ja vaikeusasteen pisteytykseen. Mallien suorituskykyä arvioidaan mittareilla kuten tarkkuus, tarkkuus (precision), herkkyys (recall), F1-pistemäärä ja AUC-ROC verrattuna trikologien asiantuntijoiden raportoimiin mittareihin tarkkuuden ja luotettavuuden validoimiseksi.