Domänenübergreifende diagnostische Genauigkeit eines DL‐CNN: Dermatoskopie versus klinische Nahaufnahmen

Zusammenfassung Hintergrund und Zielsetzung Deep‐learning ‐basierte Convolutional Neural Networks (DL‐CNN) erzielen innerhalb der Domäne der dermatoskopischen Bildgebung eine hohe diagnostische Genauigkeit. In der klinischen Praxis stehen dermatoskopische Geräte jedoch nicht immer zur Verfügung, sodass häufig klinische Nahaufnahmen angefertigt werden. Diese Studie untersucht die domänenübergreifende diagnostische Genauigkeit eines mit dermatoskopischen Bildern trainierten DL‐CNN bei der Anwendung auf klinische Nahaufnahmen. Methoden In dieser Querschnittsstudie wurde das DL‐CNN Moleanalyzer pro (trainiert mit 129 487 dermatoskopischen Bildern) an 350 Hautläsionen getestet, die sowohl klinisch als auch dermatoskopisch aufgenommen wurden. Referenzdiagnosen basierten auf der Histopathologie (89,4%) oder einem Expertenkonsens mit zweijährigem Follow‐up (10,6%). Primäre Endpunkte waren Sensitivität, Spezifität und die Fläche unter der ROC‐Kurve (ROC‐AUC). Ergebnisse Für dermatoskopische Bilder erreichte das DL‐CNN eine Sensitivität von 88,2% (95%‐KI: 82,9%–92,0%), eine Spezifität von 69,0% (61,4%–75,8%) und eine ROC‐AUC von 0,866 (0,860–0,873). Bei den klinischen Nahaufnahmen derselben Läsionen sank die Sensitivität signifikant auf 60,5% (53,5%–67,1%, p < 0,001), während die Spezifität auf 79,4% (72,3%–85,0%, p = 0,027) anstieg. Die ROC‐AUC für Nahaufnahmen betrug 0,780 (0,772–0,790, p = 0,003). Schlussfolgerungen Die domänenfremde Anwendung auf klinische Nahaufnahmen führte zu einer reduzierten Sensitivität bei gleichzeitig erhöhter Spezifität. Dies unterstreicht die Notwendigkeit, die domänenübergreifende Anpassungsfähigkeit von DL‐CNN‐Modellen zu verbessern. Ein Fine‐Tuning der DL‐CNN auf klinische Nahaufnahmen könnte die diagnostische Genauigkeit im klinischen Alltag erhöhen.