Aplikacja pacjenta ze sztuczną inteligencją dla RDEB SCC

W tym badaniu opracowano model sztucznej inteligencji do wykrywania raków płaskonabłonkowych (SCC) na zdjęciach skóry z recesywną dystroficzną dystrofią pęcherzowego oddzielania się naskórka (RDEB). Ostatecznym celem jest zintegrowanie tego modelu z aplikacją dla pacjentów i lekarzy, aby pomóc we wczesnym wykrywaniu SCC w RDEB.

SCC, które szybko dają przerzuty, są główną przyczyną śmierci dorosłych z RDEB. Im wcześniej zostanie rozpoznany SCC, tym łatwiej można go usunąć i tym lepszy wynik. Sztuczna inteligencja wykorzystuje informatykę do wykonywania zadań, które zwykle wymagają ludzkiej inteligencji, a ostatnio została wykorzystana do identyfikacji nowotworów skóry na podstawie obrazów. Obecnie opracowujemy podejście oparte na sztucznej inteligencji do wczesnego wykrywania SCC i odróżniania nowotworów złośliwych od przewlekłych ran i innych zmian skórnych RDEB. Celem jest stworzenie aplikacji internetowej dla pacjentów z RDEB w celu przesyłania zdjęć ich skóry i uzyskiwania danych wyjściowych na temat obecności lub braku SCC. Będzie to szczególnie cenne dla pacjentów z utrudnionym dostępem do specjalistycznej wiedzy medycznej oraz tych, którzy nie chcą pozwolić na pełne badanie skóry na każdej wizycie, często z obawy przed wykonaniem biopsji. W związku z tym projekt ten przyniesie bezpośrednie korzyści pacjentom, umożliwiając wczesne rozpoznanie SCC, a także wzmocni pozycję pacjentów i ich rodzin, udostępniając narzędzie do użytku domowego.

Do tej pory zespół badawczy wykorzystywał głównie profesjonalne obrazy (zdjęcia wykonane w warunkach szpitalnych przez lekarzy, pielęgniarki i fotografów klinicznych) zarówno SCC w RDEB, jak i obrazy skóry RDEB bez SCC, aby opracować i wyszkolić model AI. Obrazy, których oczekuje się w rzeczywistych warunkach, będą w większości zdjęciami wykonanymi przez pacjentów lub członków rodziny telefonami lub aparatami cyfrowymi. Te obrazy mają różne właściwości dotyczące rozdzielczości, ostrości, oświetlenia i tła. Włączenie takich obrazów będzie miało kluczowe znaczenie w nadchodzących fazach opracowywania modelu — testowania i walidacji — aby aplikacja internetowa odniosła sukces dla pacjentów.