Sfruttare l'Intelligenza Artificiale per la Diagnosi dell'Alopecia Androgenetica: Uno Studio di Addestramento e Validazione.

Intendiamo sviluppare e validare modelli di intelligenza artificiale (AI) e apprendimento automatico (ML) nella diagnosi della caduta dei capelli a pattern maschile e femminile e nella valutazione della sua gravità basata su immagini cliniche e tricoscopiche utilizzando dermatoscopi portatili ampiamente disponibili e accessibili.

La diagnosi convenzionale dell'alopecia androgenetica (AGA) e la valutazione della gravità sono compiti tediosi e dispendiosi in termini di tempo, soggetti a errori umani. Queste sfide possono essere affrontate utilizzando l'intelligenza artificiale (AI), in particolare sfruttando le applicazioni dell'apprendimento automatico e delle reti neurali artificiali per migliorare l'accuratezza diagnostica dei sistemi di classificazione delle malattie del cuoio capelluto tramite l'analisi delle immagini dermoscopiche. La valutazione assistita da computer delle microfotografie dei capelli è stata tentata per decenni, ma ha affrontato molti ostacoli tecnici prima dell'avvento dell'apprendimento profondo e delle reti neurali; e il software attualmente disponibile genera risultati imprecisi rispetto al conteggio visivo. Sono necessari metodi di analisi più accurati per l'imaging tricoscopico, utilizzando modelli di riconoscimento delle immagini di apprendimento profondo addestrati con un ampio dataset di immagini. Negli ultimi anni sono stati sviluppati numerosi modelli di apprendimento profondo utilizzando la videodermoscopia che hanno ottenuto una classificazione affidabile della densità, dello spessore e della gravità dei capelli, ma rimangono limitati da piccoli dataset di addestramento non inclusivi, dalla necessità di rasatura dei capelli e dalla mancanza di report dettagliati. Inoltre, per quanto ne sappiamo, tutti i modelli precedenti dipendono dall'acquisizione di immagini da costosi dispositivi di videodermoscopia autonomi che mancano di ampia disponibilità, piuttosto che da dermatoscopi portatili che sono comunemente disponibili.

Lo studio arruolerà 400 partecipanti (200 controlli sani e 200 pazienti con AGA). I controlli subiranno anamnesi ed esami tricoscopici per escludere disturbi dei capelli. L'esame tricoscopico sarà condotto utilizzando un dermatoscopio portatile (CuTechs DS175) con un distanziatore di campo specializzato. I pazienti saranno valutati per la gravità della malattia utilizzando scale specifiche per genere. Entrambi i gruppi avranno immagini digitali e tricoscopiche standardizzate acquisite per l'analisi. Le immagini saranno utilizzate per contare e classificare manualmente i capelli, valutare le unità follicolari e identificare i segni dermoscopici. Un database strutturato memorizzerà tutti i dati e collegherà i dati clinici e di immagine per supportare la diagnosi oggettiva. I modelli di AI, in particolare le CNN che utilizzano il transfer learning, saranno addestrati su immagini preprocessate per la classificazione e il punteggio di gravità. Le prestazioni del modello saranno valutate utilizzando metriche come accuratezza, precisione, richiamo, punteggio F1 e AUC-ROC rispetto alle metriche riportate da tricologi esperti per validare accuratezza e affidabilità.