Het diagnostiseren van gepigmenteerde huidlesies is gebaseerd op visuele waarneming door experts. Het is denkbaar dat machine-learning algoritmen (MLAs) gepigmenteerde huidlesies tenminste even accuraat kunnen onderscheiden als menselijke experts. Een multinationale studie heeft MLAs op dit punt vergeleken met menselijke experts. Dr. Philipp Tschandl (Medische Universiteit van Wenen) en collega’s publiceren de studie online in The Lancet Oncology.¹

Deelnemers aan de studie waren 511 mensen in 63 landen (283 dermatologen, 118 dermatologen in opleiding, en 83 general practicioners) en 139 MLAs die waren geconstrueerd door 77 machine-learning centra. De deelnemers beoordeelden 30 images uit een test-set van 1511, die zeven vooraf gedefinieerde ziektecategorieën representeerden (intra-epitheliaal carcinoom, basaal celcarcinoom, benigne keratinocytische lesies, dermatofibroom, melanoom, melanocytische nevus, en vasculaire lesies).

Bij vergelijking van de perfomance van alle menselijke beoordelaars met alle MLAs hadden de MLAs gemiddeld 2,01 (p<0,001) van 30 meer correcte diagnosen (17,91 versus 19,92). De 27 mensen met meer dan tien jaar ervaring hadden gemiddeld 18,78 (SD 3,15) correcte diagnosen, vergeleken met 25,43 (SD 1,95) voor de top-drie MLAs (p<0,0001). Het verschil in performance tussen mensen en de top-drie MLAs was significant lager voor images in de test-set die afkomstig waren van bronnen die niet in de training-set waren opgenomen (underperfomance door mensen 3,6% versus 11,4%; p<0,0001).

De onderzoekers concluderen dat MLAs significant meer accuraat gepigmenteerde huidlesies diagnostiseerden dan menselijke experts. Een mogelijke beperking van de MLAs is hun afnemende performance voor out-of-distribution images.

1.Tschandl P, Codella N, Akay BN et al. Comparison of the accuracy of human readers versus machine-learning algorithms for pigmented skin lesion classification: an open, web-based, international, diagnostic study. Lancet Oncol 2019; epub ahead of print

Summary: A multinational study found that state-of-the-art machine-learning classifiers outperformed human experts in the diagnosis of pigmented skin lesions; a possible limitation of these algorithms is their decreased performance for out-of-distribution images.