Att utnyttja artificiell intelligens för att diagnostisera androgenetisk alopeci: En tränings- och valideringsstudie.

Vi avser att utveckla och validera artificiell intelligens (AI) och maskininlärningsmodeller (ML) för diagnos av manligt och kvinnligt mönsterhåravfall, samt bedömning av dess svårighetsgrad baserat på kliniska och trikoskopiska bilder med hjälp av allmänt tillgängliga och lättillgängliga handhållna dermoskop.

Konventionell androgenetisk alopeci (AGA)-diagnos och svårighetsgradsbedömning är tråkiga och tidskrävande uppgifter som är benägna att leda till mänskliga fel. Dessa utmaningar kan hanteras med artificiell intelligens (AI), nämligen genom att utnyttja tillämpningar av maskininlärning och artificiella neurala nätverk för att förbättra diagnostisk noggrannhet hos hårbottssjukdomsklassificeringssystem via dermoskopisk bildanalys. Datorstödd bedömning av hårmikrofotografier har försökts i decennier, men stötte på många tekniska hinder före djupinlärning och neurala nätverk; och för närvarande tillgänglig programvara genererar felaktiga resultat jämfört med visuell räkning. Mer exakta analysmetoder behövs för trikoskopisk bildtagning, genom att använda djupinlärningsbildigenkänningsmodeller tränade med en stor bilddatamängd. Ett antal djupinlärningsmodeller har utvecklats de senaste åren med videodermoskopi som uppnått tillförlitlig hårtäthet, tjocklek och svårighetsgradsklassificering, men förblir begränsade av små icke-inkluderande träningsdatamängder, behov av hårrakning och brist på detaljerad rapportering. Dessutom, såvitt vi vet, är alla tidigare modeller beroende av bildinsamling från dyra fristående videodermoskopianordningar som saknar utbredd tillgänglighet, snarare än handhållna dermoskop som är allmänt tillgängliga.

Studien kommer att inkludera 400 deltagare (200 friska kontroller och 200 AGA-patienter). Kontroller genomgår anamnes och trikoskopiska undersökningar för att utesluta hårsjukdomar. Trikoskopisk undersökning kommer att utföras med ett handhållet dermoskop (CuTechs DS175) med en specialiserad fältavgränsare. Patienter kommer att bedömas för sjukdomssvårighetsgrad med könspecifika skalor. Båda grupperna kommer att ha standardiserade digitala och trikoskopiska bilder tagna för analys. Bilderna kommer att användas för att manuellt räkna och klassificera hår, bedöma follikelenheter och identifiera dermoskopiska tecken. En strukturerad databas kommer att lagra all data och länka klinisk och bilddata för att stödja objektiv diagnos. AI-modeller, särskilt CNN:er som använder överföringsinlärning, kommer att tränas på förbehandlade bilder för klassificering och svårighetsgradspoängsättning. Modellprestanda kommer att utvärderas med mått som noggrannhet, precision, återkallelse, F1-poäng och AUC-ROC jämfört med mått rapporterade av expert trikologer för att validera noggrannhet och tillförlitlighet.