Une équipe de recherche a développé un système de diagnostic qui utilise l’intelligence artificielle (IA) pour identifier avec précision le type de lésions pigmentées faciales et soutenir les décisions de traitement au laser. Un article sur cette étude a été publié en ligne dans Cuure.
Les lésions pigmentées faciales sont disponibles dans de nombreux types différents, tels que le mélasma, les éphélides, la mélanocytose dermique acquise, le lentigo solaire et le mélanome de maligne lentigo, mais ils sont souvent visuellement similaires, ce qui rend le diagnostic différentiel difficile.
D’un autre côté, un traitement approprié pour ces lésions varie considérablement en fonction du type, et un diagnostic précis est essentiel car cela affecte directement la faisabilité et la sélection du traitement au laser. Par exemple, l’utilisation inappropriée du laser peut exacerber le mélasma, et retardant l’excision chirurgicale nécessaire pour le mélanome de lentigo malin en raison d’un diagnostic erroné peut avoir de graves conséquences.
Ces dernières années, la technologie de diagnostic de l’imagerie utilisant des modèles d’apprentissage en profondeur a attiré l’attention, et les résultats de la recherche ont indiqué qu’il a une précision égale ou supérieure à celle des dermatologues pour différencier les lésions cutanées.
Bien que le diagnostic d’image basé sur l’apprentissage en profondeur ait réussi à détecter le mélanome, il y a eu des recherches insuffisantes sur les lésions bénignes et malignes pigmentées sur le visage qui sont directement liées à la planification du traitement au laser, et donc il est nécessaire de développer un système de soutien diagnostique.
L’équipe de recherche, dirigée par Haruyo Yamamoto, Chisa Nakashima et Atsushi Otsuka du Département de dermatologie, Kindai University Faculty of Medicine Mélanocytose dermique acquise, Lentigo solaire et mélanome Lentigo Maligna / Lentigo Maligna).
La formation et la validation ont été effectuées en utilisant 432 images cliniques, et leurs précisions de diagnostic ont été comparées aux diagnostics de neuf dermatologues certifiés (experts) et de 11 dermatologues non certifiés (non-experts). Les deux modèles ont démontré des précisions de diagnostic de 87% et 86%, respectivement.
Les deux modèles ont surperformé la précision diagnostique médiane de 80% pour les experts et 63% pour les non-experts. Surtout dans l’identification de LM / LMM, les deux modèles ont obtenu une sensibilité à 100%, suggérant son utilisation potentielle comme outil de soutien diagnostique dans la pratique clinique.
Sur la base de ces résultats, les modèles d’apprentissage en profondeur développés dépassent de loin la précision des dermatologues dans le diagnostic des lésions pigmentées faciales et peuvent contribuer au soutien diagnostique et à la détermination des plans de traitement appropriés.
Fourni par l’Université de Kindai
