Het benutten van kunstmatige intelligentie voor het diagnosticeren van androgenetische alopecia: een trainings- en validatiestudie.

We hebben de intentie om kunstmatige intelligentie (AI) en machine learning (ML) modellen te ontwikkelen en te valideren voor de diagnose van mannelijke en vrouwelijke kaalheid volgens het patroon, en voor de beoordeling van de ernst ervan op basis van klinische en trichoscopische beelden met behulp van breed beschikbare en toegankelijke handdermoscopen.

Conventionele diagnose en ernstbeoordeling van androgenetische alopecia (AGA) zijn vervelende en tijdrovende taken die gevoelig zijn voor menselijke fouten. Deze uitdagingen kunnen worden aangepakt met behulp van kunstmatige intelligentie (AI), namelijk door toepassingen van machine learning en kunstmatige neurale netwerken te benutten om de diagnostische nauwkeurigheid van hoofdhuidaandoeningen classificatiesystemen te verbeteren via dermoscopische beeldanalyse. Computergestuurde beoordeling van haarmicrofoto's is decennialang geprobeerd, maar stuitte op veel technische hindernissen vóór de opkomst van deep learning en neurale netwerken; en momenteel beschikbare software genereert onnauwkeurige resultaten in vergelijking met visuele telling. Er zijn nauwkeurigere analysemethoden nodig voor trichoscopische beeldvorming, gebruikmakend van deep learning beeldherkenningsmodellen die getraind zijn met een grote beelddataset. Een aantal deep learning modellen is de afgelopen jaren ontwikkeld met videodermoscopie die betrouwbare haardichtheid, dikte en ernstclassificatie bereikten, maar blijven beperkt door kleine niet-inclusieve trainingsdatasets, de noodzaak van haarscheren en het ontbreken van gedetailleerde rapportage. Bovendien zijn, voor zover wij weten, alle eerdere modellen afhankelijk van beeldacquisitie van dure standalone videodermoscopie-apparaten die niet breed beschikbaar zijn, in plaats van handdermoscopen die algemeen beschikbaar zijn.

De studie zal 400 deelnemers inschrijven (200 gezonde controles en 200 AGA-patiënten). Controles ondergaan anamnese en trichoscopische onderzoeken om haaraandoeningen uit te sluiten. Trichoscopisch onderzoek zal worden uitgevoerd met een handdermoscoop (CuTechs DS175) met een gespecialiseerde veldspacer. Patiënten zullen worden beoordeeld op ziektegerelateerde ernst met behulp van geslachtsspecifieke schalen. Beide groepen zullen gestandaardiseerde digitale en trichoscopische beelden laten maken voor analyse. Beelden zullen worden gebruikt om handmatig haren te tellen en classificeren, follikeleenheden te beoordelen en dermoscopische tekenen te identificeren. Een gestructureerde database zal alle gegevens opslaan en klinische en beeldgegevens koppelen om objectieve diagnose te ondersteunen. AI-modellen, met name CNN's die transfer learning gebruiken, zullen worden getraind op voorbewerkte beelden voor classificatie en ernstscore. Modelprestaties zullen worden geëvalueerd met behulp van metrieken zoals nauwkeurigheid, precisie, recall, F1-score en AUC-ROC vergeleken met metrieken gerapporteerd door expert trichologen om nauwkeurigheid en betrouwbaarheid te valideren.