De resultaten van een pilotstudie suggereren dat een op afbeeldingen gebaseerd deep learning-model effectief onderscheid kan maken tussen vulvaire lichen sclerosus (VLS) en niet-VLS-huid. Hoewel prospectieve studies nodig zijn om de toepasbaarheid in de praktijk te valideren, zou dit een veelbelovend hulpmiddel kunnen zijn voor toekomstig gebruik door artsen en mogelijk patiënten.
VLS is een chronische inflammatoire huidaandoening die is geassocieerd met een aanzienlijke verslechtering van de kwaliteit van leven en een potentieel risico op maligne ontaarding. De diagnose is vaak vertraagd door de variabele klinische presentatie en schaamte. Het doel van deze pilotstudie was dan ook om machine learning (ML)-getrainde beeldherkenningssoftware te ontwikkelen om een vroege diagnose te faciliteren.
In geanonimiseerde afbeeldingen van zowel VLS als niet-VLS anogenitale huid werden typische huidsymptomen (zoals witheid, hyperkeratose, purpura/ecchymose, erosie/ulcera/excoriatie, erytheem, labiale fusie, vernauwing van de introïtus, resorptie van de labia minora en atrofische glanzende huid) handmatig gelabeld. Er werd een convolutioneel neuraal netwerk gebouwd met behulp van een trainingsset als input en dit werd vervolgens beoordeeld met behulp van een testset.
In totaal werden 684 VLS-afbeeldingen en 403 niet-VLS-afbeeldingen (70% gezonde vulva en 30% met andere vulvaire aandoeningen) geïncludeerd. Het deep learning-algoritme werd ontwikkeld door te trainen op 775 afbeeldingen (469 VLS en 306 niet-VLS) en te testen op 312 afbeeldingen (215 VLS en 97 niet-VLS). Het algoritme bleek nauwkeurig onderscheid te maken tussen VLS- en niet-VLS-gevallen (waaronder gezonde huid en niet-VLS-dermatosen), met gemiddelde waarden van respectievelijk 0,94, 0,99 en 0,95 voor gevoeligheid, precisie en nauwkeurigheid.
Bron:
Gottfrois P, Zhu J, Steiger A, et al. AI-powered visual diagnosis of vulvar lichen sclerosus: A pilot study. J Eur Acad Dermatol Venereol. 2024 Aug 28. Online ahead of print.