Bruk av kunstig intelligens for diagnostisering av androgenetisk alopecia: En trenings- og valideringsstudie.

Vi har til hensikt å utvikle og validere kunstig intelligens (AI) og maskinlæring (ML)-modeller for diagnostisering av mannlig og kvinnelig mønsterhårtap, og vurdering av alvorlighetsgrad basert på kliniske og trikoskopiske bilder ved bruk av allment tilgjengelige og tilgjengelige håndholdte dermoskoper.

Konvensjonell androgenetisk alopeci (AGA)-diagnostisering og alvorlighetsvurdering er kjedelige og tidkrevende oppgaver som er utsatt for menneskelige feil. Disse utfordringene kan løses ved bruk av kunstig intelligens (AI), nemlig ved å utnytte anvendelser av maskinlæring og kunstige nevrale nettverk for å forbedre diagnostisk nøyaktighet av hodebunnssykdomsklassifiseringssystemer via dermoskopisk bildeanalyse. Datamaskinassistert vurdering av hårmikrofotografier har vært forsøkt i flere tiår, men møtte mange tekniske hindringer før dyp læring og nevrale nettverk ble tilgjengelige; og tilgjengelig programvare genererer unøyaktige resultater sammenlignet med visuell telling. Mer nøyaktige analysemetoder er nødvendige for trikoskopisk bildebehandling, ved å bruke dyp læring bildegjenkjenningsmodeller trent med et stort bildedatasett. Flere dyp læring-modeller har blitt utviklet de siste årene ved bruk av videodermoskopi som oppnådde pålitelig hårtetthet, tykkelse og alvorlighetsklassifisering, men forblir begrenset av små ikke-inkluderende treningsdatasett, behov for hårbarbering og mangel på detaljert rapportering. Dessuten, så vidt vi vet, er alle tidligere modeller avhengige av bildeinnsamling fra dyre frittstående videodermoskopi-enheter som mangler utbredt tilgjengelighet, i stedet for håndholdte dermoskoper som er allment tilgjengelige.

Studien vil inkludere 400 deltakere (200 sunne kontroller og 200 AGA-pasienter). Kontroller gjennomgår historie og trikoskopiske undersøkelser for å utelukke hårsykdommer. Trikoskopisk undersøkelse vil bli utført ved bruk av et håndholdt dermoskop (CuTechs DS175) med en spesialisert feltavstandsholder. Pasienter vil bli vurdert for sykdomsalvorlighet ved bruk av kjønnsspesifikke skalaer. Begge grupper vil få standardiserte digitale og trikoskopiske bilder tatt for analyse. Bilder vil bli brukt til å manuelt telle og klassifisere hår, vurdere føllikelenheter og identifisere dermoskopiske tegn. En strukturert database vil lagre alle data og koble kliniske og bildedata for å støtte objektiv diagnostisering. AI-modeller, spesielt CNNs som bruker overføringslæring, vil bli trent på forhåndsbehandlede bilder for klassifisering og alvorlighetspoengsetting. Modellytelse vil bli evaluert ved bruk av mål som nøyaktighet, presisjon, tilbakekalling, F1-poengsum og AUC-ROC sammenlignet med mål rapportert av ekspert trikologer for å validere nøyaktighet og pålitelighet.