Das Melanom ist die gefährlichste Form von Hautkrebs. Es ist heilbar, wenn es frühzeitig diagnostiziert und behandelt wird. Die Früherkennung von Melanomen ist deshalb entscheidend für die erfolgreiche Behandlung und Heilung. Traditionelle Methoden der Hautkrebserkennung in Krankenhäusern basieren auf der visuellen Inspektion durch Dermatologen, unterstützt durch Dermatoskopie, Video-Fotodermatoskopie und klassischen Biopsien. Diese Verfahren sind jedoch zeitaufwendig und erfordern ein hohes Maß an Fachwissen.

In den letzten Jahren hat die Anwendung von Künstlicher Intelligenz (KI) und insbesondere von Convolutional Neural Networks (CNN) in der medizinischen Bildverarbeitung erheblich an Bedeutung gewonnen. CNNs sind eine spezielle Art von künstlichen neuronalen Netzwerken, die besonders gut für die Analyse von visuellen Daten geeignet sind. Sie haben sich als äußerst effektiv bei der Erkennung und Klassifizierung von Bildern im Allgemeinen erwiesen, was sie zu einem idealen Werkzeug für die Hautkrebserkennung macht. Denn durch die Verarbeitung großer Mengen an Bilddaten können CNNs lernen, subtile Unterschiede zwischen gutartigen und bösartigen Hautläsionen zu erkennen, die für das menschliche Auge schwer zu unterscheiden sind.

Die Anwendung von CNNs in der Melanom-Hautkrebserkennung bietet mehrere Vorteile. Erstens können sie eine hohe Genauigkeit und Konsistenz bei der Diagnose erreichen, was zu einer Reduzierung von Fehldiagnosen führt. Zweitens ermöglichen sie eine schnellere Analyse von Hautläsionen, was die Effizienz der klinischen Praxis erhöht. Drittens können sie als unterstützendes Werkzeug für Dermatologen (klinische Entscheidungsunterstützung) dienen, indem sie zusätzliche Informationen und eine zweite Meinung bieten.

Ein CAD-System (Computer-Aided Diagnosis) zur Erkennung und Klassifizierung von Hautkrebs ist eine technische Möglichkeit, die den menschlichen Aufwand und die Zeit bei sehr hoher Klassifizierungsgenauigkeit reduziert. Dabei beschreibt CAD ein Verfahren in der Medizin zur Unterstützung des Arztes, in der Regel bei der Auswertung von medizinischem Bildmaterial) und der Interpretation von Untersuchungsergebnissen zum Beispiel vorausgewertete dermatologische Fotografien.

Die im Markt befindlichen Systeme verfügen über eine integrierte Künstliche Intelligenz (Artificial Intelligence = AI). Das Verfahren kommt aus der Bildgebung der Röntgendiagnostik und kann eine Fülle von Informationen, in kurzer Zeit umfassend analysieren und bewerten. Abbildung 1 stellt vereinfacht das Verfahren CAD in der dermatologischen Diagnostik dar.

Beim Erkennen und Diagnostizieren von Hautläsionen wird CAD häufig eingesetzt. Eine Studie subsummiert die derzeitigen Verfahren, die bei allen Schritten der Klassifizierung von Hautläsionen angewendet werden. Sie erläutert Bildsegmentierung, Merkmalsentwicklung und Klassifizierungsalgorithmen. Im Allgemeinen wird eine Vorverarbeitung angewendet, um das Segmentierungsergebnis zu verbessern. In der Merkmalsextraktionsphase werden dieselben Merkmale verwendet, die Dermatologen bei ihrer klinischen Diagnose verwenden. Sie basieren auf der Läsionstextur und den bekannten ABCD-Regeln (Asymmetrie, Rand, Farbe und Durchmesser).

Zunächst werden 113 Merkmale extrahiert. Es wird ein Merkmalsauswahlverfahren mit einem Vergleich einiger Merkmalsauswahlalgorithmen vorgestellt, um nur die relevanten Merkmale auszuwählen. Ausgewählte Merkmale werden bei der Klassifizierung verwendet und ein Vergleich zwischen den in der Literatur am häufigsten verwendeten Klassifikatoren wird durchgeführt. Diagnostische Weiterentwicklungen in der Melanom-Diagnostik sind (Beispiele):

Seit 2024 gibt es mehrere neue und vielversprechende KI-Verfahren in der Melanom-Diagnostik. Einige bemerkenswertesten Entwicklungen sind (Beispiele):

Abbildung 2 stellt vereinfacht einen neuartigen Hautscanner mit integrierter KI dar.