Wykorzystanie sztucznej inteligencji w diagnostyce łysienia androgenowego: Badanie treningowe i walidacyjne.

Zamierzamy opracować i zwalidować modele sztucznej inteligencji (AI) oraz uczenia maszynowego (ML) w diagnostyce łysienia typu męskiego i żeńskiego oraz ocenie jego zaawansowania na podstawie obrazów klinicznych i trichoskopowych przy użyciu powszechnie dostępnych i przystępnych ręcznych dermoskopów.

Konwencjonalna diagnoza i ocena zaawansowania łysienia androgenowego (AGA) są żmudnymi i czasochłonnymi zadaniami podatnymi na błędy ludzkie. Te wyzwania można rozwiązać za pomocą sztucznej inteligencji (AI), a mianowicie wykorzystując zastosowania uczenia maszynowego i sztucznych sieci neuronowych w celu poprawy dokładności diagnostycznej systemów klasyfikacji chorób skóry głowy poprzez analizę obrazów dermoskopowych. Komputerowo wspomagana ocena mikrofotografii włosów była próbowana od dziesięcioleci, jednak napotykała wiele przeszkód technicznych przed nadejściem głębokiego uczenia i sieci neuronowych; a obecnie dostępne oprogramowanie generuje niedokładne wyniki w porównaniu z liczeniem wizualnym. Dla obrazowania trichoskopowego potrzebne są dokładniejsze metody analizy, wykorzystujące modele rozpoznawania obrazów głębokiego uczenia szkolone na dużym zbiorze danych obrazowych. W ostatnich latach opracowano szereg modeli głębokiego uczenia wykorzystujących wideodermoskopię, które osiągnęły wiarygodną klasyfikację gęstości, grubości i zaawansowania włosów, jednak wciąż są ograniczone małymi, niewłączającymi zbiorami treningowymi, koniecznością golenia włosów oraz brakiem szczegółowego raportowania. Ponadto, według naszej wiedzy, wszystkie poprzednie modele zależą od pozyskiwania obrazów z drogich, samodzielnych urządzeń wideodermoskopowych, które nie są szeroko dostępne, zamiast z powszechnie dostępnych ręcznych dermoskopów.

Badanie obejmie 400 uczestników (200 zdrowych osób kontrolnych i 200 pacjentów z AGA). Osoby kontrolne przejdą wywiad i badania trichoskopowe w celu wykluczenia zaburzeń włosów. Badanie trichoskopowe zostanie przeprowadzone przy użyciu ręcznego dermoskopu (CuTechs DS175) ze specjalistycznym rozdzielaczem pola. U pacjentów oceniane będzie zaawansowanie choroby przy użyciu skal specyficznych dla płci. Obie grupy będą miały wykonane standardowe obrazy cyfrowe i trichoskopowe do analizy. Obrazy zostaną wykorzystane do ręcznego liczenia i klasyfikacji włosów, oceny jednostek mieszkowych oraz identyfikacji objawów dermoskopowych. Ustrukturyzowana baza danych przechowa wszystkie dane i połączy dane kliniczne z obrazowymi w celu wsparcia obiektywnej diagnozy. Modele AI, w szczególności CNN wykorzystujące transfer uczenia, będą szkolone na przetworzonych wstępnie obrazach do klasyfikacji i oceny zaawansowania. Wydajność modelu będzie oceniana za pomocą metryk takich jak dokładność, precyzja, czułość, wynik F1 oraz AUC-ROC w porównaniu z metrykami raportowanymi przez ekspertów trichologów w celu walidacji dokładności i wiarygodności.