Auswirkungen des 'dunklen Rand‐Artefakts' in dermatoskopischen Bildern auf die diagnostische Leistungsfähigkeit eines deep learning neuronalen Netzwerkes mit Marktzulassung

HINTERGRUND UND ZIELE Systeme kunstlicher Intelligenz (durch "deep learning" faltende neuronale Netzwerke; engl. convolutional neural networks, CNN) erreichen inzwischen bei der Klassifikation von Hautlasionen vergleichbar gute Ergebnisse wie Dermatologen. Allerdings mussen die Limitationen solcher Systeme vor flachendeckendem klinischem Einsatz bekannt sein. Daher haben wir den Einfluss des "dunklen Rand-Artefakts" (engl. dark corner artefact; DCA) in dermatoskopischen Bildern auf die diagnostische Leistung eines CNN mit Marktzulassung zur Klassifikation von Hautlasionen untersucht. PATIENTEN UND METHODEN Ein Datensatz aus 233 Bildern von Hautlasionen (60 maligne und 173 benigne) ohne DCA (Kontrolle) wurde digital so modifiziert, dass kleine, mittlere oder grose DCA zu sehen waren. Alle 932 Bilder wurden dann mittels CNN mit Marktzulassung (Moleanalyzer-Pro® , FotoFinder Systems) auf Malignitatsscores hin analysiert. Das Spektrum reichte von 0-1; ein Score von > 0,5 wurde als maligne klassifiziert. ERGEBNISSE In der Kontrollserie ohne DCA erreichte das CNN eine Sensitivitat von 90,0 % (79,9 %-95,3 %), eine Spezifitat von 96,5 % (92,6 %-98,4 %) sowie eine Flache unter der Kurve (AUC, area under the curve) der "receiver operating characteristic" (ROC) von 0,961 (0,932-0,989). In den Datensatzen mit kleinen beziehungsweise mittleren DCA war die diagnostische Leistung vergleichbar. In den Bildersatzen mit grosen DCA wurden allerdings signifikant hohere Malignitatsscores erzielt. Dies fuhrte zu einer signifikant verminderten Spezifitat (87,9 % [82,2 %-91,9 %], P