Une équipe de recherche dirigée par Haruyo Yamamoto, Chisa Nakashima et Atsushi Otsuka du Département de dermatologie de Kindai University Faculty of Medicine, en collaboration avec la Faculté d'ingénierie de l'Université de Kindai et d'autres institutions, a développé un système de diagnostic facilité qui utilise des décisions de traitement des lésions artificielles et de soutien à l'identification artificielle. Un article sur cette étude a été publié en ligne dans Cuureun journal médical international le 5 juin 2025.
1. Points clés
- Précision diagnostique supérieure démontrée par rapport aux dermatologues, lors de l'identification de cinq types de lésions, confirmant l'utilité du système dans les décisions de détection et de traitement précoces.
- A développé un système qui utilise l'IA pour classer avec précision et aider au diagnostic de cinq types de lésions pigmentées faciales difficiles à diagnostiquer.
- Contribue à l'établissement d'une méthode qui identifie avec précision les lésions pigmentées, réduit le risque de mauvais traitements et soutient les décisions de traitement appropriées.
2. Contexte de recherche
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.
3. Contenu
L'équipe de recherche a développé un système de classification à l'aide de modèles d'apprentissage en profondeur, Inceigne Resnetv2 et Densenet121, pour identifier cinq types de lésions pigmentées faciales (mélasma, éphélides, mélanocytose dermique acquise, lentigo solaire et et lentigo maligna / lentigo maligna mélanome). La formation et la validation ont été effectuées en utilisant 432 images cliniques, et leurs précisions de diagnostic ont été comparées aux diagnostics de 9 dermatologues (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.
