Использование искусственного интеллекта в качестве инструмента скрининга меланомы у пациентов,самостоятельно обращающихся за консультацией - Premium Aesthetics
|

Использование искусственного интеллекта в качестве инструмента скрининга меланомы у пациентов,самостоятельно обращающихся за консультацией

Скачать PDF

Использование искусственного интеллекта в качестве инструмента скрининга меланомы у пациентов,самостоятельно обращающихся за консультацией

Авторы: Madeleine E. Crawford, Bsc1, Kiyana Kamali, Bsc1, Rachel A. Dorey, Bsc1 , Olivia C. MacIntyre, Bsc1, Kristyna Cleminson, MD1, Michael L. MacGillivary, MD1 , Peter J. Green, MS1, Richard G. Langley, MD1, Kerri S. Purdy, MD1, Ryan C. DeCoste, MD2, Jennette R. Gruchy, MD2, Sylvia Pasternak, MD2, Amanda Oakley, MB, ChB3, and Peter R. Hull, PhD1

1 Division of Clinical Dermatology and Cutaneous Science, Department of Medicine, Dalhousie University, Halifax, NS, Canada
2 Department of Pathology and Laboratory Medicine, Dalhousie University, Halifax, NS, Canada
3 Department of Medicine, Waikato Clinical Campus, University of Auckland, Hamilton, New Zealand

Резюме

Введение. Раннее выявление меланомы требует своевременного доступа к медицинской помощи. В данном исследовании мы изучали обоснованность использования искусственного интеллекта (ИИ) при выявлении возможных меланом у пациентов, самостоятельно обратившихся за консультацией из-за подозрения, что новообразование может являться злокачественным.

Методы. К участию в исследовании пациентов привлекали посредством объявлений, размещенных в двух больницах города Галифакс в Новой Шотландии, Канада. Соответствующие новообразования первоначально обследовали надлежащим образом обученные студенты медицинских учебных заведений, затем, в случае подтверждения соответствия критериям включения, новообразования сканировали при помощи системы FotoFinder®.

Изображения анализировали с использованием собственного программного обеспечения компании. Макроскопические и дерматоскопические снимки оценивали три опытных дерматолога и старший дерматолог-ординатор, не знакомые с результатами исследования с использованием искусственного интеллекта (ИИ). Подозрительные новообразования, которые ИИ или один из дерматологов посчитали злокачественными, иссекали.

Результаты. Было подтверждено семнадцать случаев злокачественных новообразований, включая 10 меланом. Шесть меланом не были отмечены в качестве таковых искусственным интеллектом. Эти новообразования имели неоднозначную атипическую меланоцитарную пролиферацию и были обозначены как спорные всеми дерматологами и дерматологами-патологами. Восемь злокачественных новообразований были диагностированы у пациентов с семейной историей меланомы. Способность ИИ выявлять злокачественность не является менее значимой, чем диагностика дерматологами, анализирующими дерматоскопические снимки.

Выводы. ИИ, применявшийся в данном исследовании, может помогать в практике скрининга рака кожи. Несмотря на технические и диагностические ограничения метода, его включение в программу скрининга меланомы в отношении конкретных новообразований может быть ценным инструментом своевременной диагностики рака кожи.

Ключевые слова: искусственный интеллект, сверточные нейронные сети, глубокое обучение, дерматоскопия, меланома, выявление меланомы, скрининг меланомы, машинное обучение.

Введение

Меланома является лидирующим по смертности видом рака кожи, но имеет хороший прогноз в случае ранней диагностики. Тогда как толстая первичная меланома кожи часто клинически очевидна, меланому на ранней стадии может быть довольно трудно распознать. Использование компьютерного обучения (глубокого обучения) представило метод ее выявления, равный по эффективности экспертной оценке дерматоскопических снимков опытным дерматологами [1].

Система ИИ FotoFinder Moleanalyzer Pro® Version 6.0 (FotoFinder Systems GmbH, Bad Birnbach, Germany), далее по тексту FotoFinder®, использованная в настоящем исследовании, показала эффективность в выявлении меланомы, базальноклеточной карциномы и большинства плоскоклеточных карцином, включая актинический кератоз. Мы, как и другие группы исследователей, убедились, что система ИИ имеет высокую чувствительность и специфичность при диагностике меланомы среди отдельных подозрительных пигментных новообразованиях [2–5].

Значимым препятствием для выявления меланомы на ранней стадии является ограниченная возможность проведения соответствующих обследований со стороны врачей общей практики и профильных специалистов. Новая Шотландия имеет один из наиболее высоких в Канаде уровней заболеваемости меланомой [6]. Согласно действующей модели системы здравоохранения, пациентам, имеющим подозрительные новообразования, следует обращаться к врачу общей практики.

По состоянию на 1 февраля 2023 года 133 5959 или 13,5 % населения Новой Шотландии не имели доступа к первичной медицинской помощи [7]. Многие врачи общей практики имеют недостаточные навыки и компетенцию в диагностике новообразований кожи. Наиболее распространенным поводом для направления в нашу клинику является себорейный кератоз. Время ожидания приема специалиста после направления может задерживать диагностику и лечение меланомы.

Мы обнаружили, что 80 % меланом, наблюдаемых в нашей клинике, были выявлены самими пациентами или членами их семей. Другие исследования также сообщали, что большую долю меланом пациенты выявляют самостоятельно [8, 9]. Целью настоящего исследования была оценка потенциала использования ИИ в качестве диагностического инструмента для пациентов, опасающихся злокачественности конкретного пигментного новообразования

Методы

Данное одноцентровое исследование было проведено в Новой Шотландии на популяции, в основном происходящей из Шотландии и Ирландии, преимущественно с типом кожи по Фицпатрику I, II и III. Пациентов привлекали к участию посредством объявлений, размещенных в двух больницах и четырех частных семейных клиниках города Галифакс. Пациентов, имевших новообразования, вызывающие их озабоченность, приглашали связаться с нашей исследовательской командой.

Критерием включения в исследование было наличие новообразования, относительно злокачественности которого у пациента имелось опасение. Новообразования исключали из исследования, если камера FotoFinder® не могла захватить изображение, если новообразование имело изъязвления, размещалось на губах или в области половых органов, волосистой части головы или вблизи глаз (Таблица 1).

Таблица 1. Причины включения и исключения новообразований, не вошедших в исследование

Техническое исключение (ограничения ИИ) Исключение на основе клинического анализа*
Новообразование недоступно камере ИИ Очевидный себорейный кератоз
Новообразования на волосистой части Сенильная гемангиома
Новообразования в области губ и гениталий Актинический кератоз
Новообразования на лице Экхимоз
Новообразования вблизи татуировок Очевидная дерматофиброма
Новообразования вблизи других кожных дисхромий Порокератоз
Новообразования у пациентов с типом кожи IV, V, VI по Фицпатрику Фицпатрику
Иные распространенные новообразования кожи,
включая немеланоцитарный рак кожи
Ранее иссеченные новообразования  

Сокращения: ИИ−искусственный интеллект
*любое клинически спорное новообразование включалось в исследование

Участников осматривал один из четырех студентов медицинского образовательного учреждения, проходивших практику (30−40 сеансов) в клинике пигментных новообразований отделения клинической дерматологии Университета Далхаузи (Dalhousie University). Студентов обучали распознавать распространенные доброкачественные новообразования, такие как меланоцитарный невус, себорейный кератоз, актинический кератоз, ангиома, дерматофиброма, порокератоз и простые бородавки, а также определять, в каких случаях следует подозревать меланому. Доброкачественные новообразования исключались. Студенты предоставляли участникам исследования информацию о природе новообразования и иллюстрированную брошюру. При необходимости также направляли письмо семейному врачу.

В случаях, когда студент диагностировал немеланоцитарный рак кожи, пациента просили связаться с семейным врачом или получить направление к специалисту. Если пациенты соответствовали критерию исследования, мы собирали краткую историю соответствующего новообразования и выясняли семейную историю меланомы и других видов рака. Затем создавали снимки пигментного новообразования дерматоскопом FotoFinder® Medicam 800HD и анализировали дерматоскопические снимки, используя одну и ту же версию программы Moleanalyzer pro. Коэффициент вероятности 0,8 считался показателем возможной злокачественности.

Краткие истории новообразований, макроскопические и дерматоскопичеcкие снимки независимо друг от друга анализировали три опытных дерматолога (все с более чем 10 летним опытом в дерматоскопии), старший дерматолог-ординатор и затем опытный дерматолог, входящий в сообщество. Другой дерматолог, не работающий в нашей больнице (сторонний дерматолог) и не знакомый с результатами патологического исследования, анализировал все иссеченные новообразования.

Дерматологов просили поставить диагноз и определить, требует ли новообразование иссечения или наблюдения. Если ИИ, дерматолог или ординатор отмечали новообразование как нуждающееся в иссечении, его иссекали. Если предлагалась повторная оценка, новообразование снова сканировали FotoFinder® через 3 месяца, после чего изображения сравнивали и анализировали дерматологи и старший дерматолог-ординатор.

Таблица 2. Характеристики 167 исключенных из исследования новообразований

Технические исключения   Клинические исключения
Причина исключения Количество (%) Клинический диагноз Количество (%)
На лице 10 (6 %) Себорейный кератоз 82 (49,1 %)
На скальпе 6 (3,6 %) Дерматофиброма 20 (12 %)
Дерматоз 4 (2,4 %) Ангиома 8 (4,8 %)
Слишком большое 2 (1,2 %) Актинический кератоз 8 (4,8 %)
В области гениталий 2 (1,2 %) Сложный невус (невус Унна) 6 (3,6 %)
На губах 1 (0,6 %) Базальноклеточная карцинома 5 (3 %)
Предшествующее иссечение 1 (0,6 %) Плоскоклеточная карцинома 4 (2,4 %)
  Солнечное лентиго 3 (1,8 %)
Акрохордон 1 (0,6 %)
Комедон 1 (0,6 %)
Экхимоз 1 (0,6 %)
Бородавка 1 (0,6 %)
Порокератоз 1 (0,6 %)

Патологический диагноз

Два дерматолога-патолога изучали результаты биопсий, не будучи знакомыми с официальным отчетом. Если их диагноз не совпадал, к анализу случая привлекали третьего дерматолога-патолога.

Статистический анализ

Для статистического анализа чувствительности и специфичности фиксировали истинно положительное значение, где злокачественность (меланома, базальноклеточная карцинома или плоскоклеточная карцинома) была патологически подтверждена. Ложноположительное значение документировали, когда диагноз злокачественности предполагался, но, согласно патологическому анализу, новообразование являлось доброкачественным.

Ложноположительное значение включало все случаи, где клинически предполагалась доброкачественность новообразования, но патологически была выявлена его злокачественность. Подсчитывали соотношение положительной и отрицательной вероятности (PLR), положительное и отрицательное прогностическое значение и точность.

Точность определяли по формуле: чувствительность х частота + специфичность х (1 − частота). Количество необходимых биопсий (NNB) рассчитывали путем деления общего количества биопсий на количество выявленного рака кожи. Затем выстраивали ROC-кривые и подсчитывали площадь под кривой (AUC). Статистические данные рассчитывали в программе IBM® SPSS® version 28.0.11(15).

Переменные значения оценок разных дерматологов анализировали с использованием каппы Флейса. Данное исследование было рассмотрено и одобрено Советом по этике исследований Управления здравоохранения Новой Шотландии (номер одобрения 1027718).

Результаты

Пациентов вовлекали в исследование в период между 1 июня и 12 августа 2022 года. Отозвались на объявления 482 человека. Были исключены из исследования 177 новообразований (Таблица 2). Один пациент был исключен в связи с тем, что новообразование было расположено на волосистой части головы. Это новообразование клинически диагностировал как меланому один из студентов, что подтвердилось после иссечения, новообразование имело толщину по Бреслоу 0,9 мм.

Оставшиеся 318 пациентов имели 381 вызывавшее опасение новообразование, которое соответствовало критериям включения в исследование. Средний возраст пациентов составлял 41,1 лет, среди них было больше женщин (72,9 %), чем мужчин (Таблица 3).

Таблица 3. Демография 318 пациентов, соответствующих критериям включения в исследование

Демографические характеристики Общее количество участников Женщины Мужчины
Участники 318 232 (73,0 %) 86 (27,0 %)
Средний возраст 42,5 41,1 46,4
Медианный возраст 40 38 46
Диапазон возрастов 19−80 19−80 19−78
Личная история меланомы 14 (4,4 %) 12 (5,2 %) 2 (2,3 %)
Семейная история меланомы 92 (28,9 %) 70 (30,2 %) 22 (25,6 %)

Из 318 пациентов 15 (4,7 %) имели предыдущую историю меланомы, тогда как 102 (32 %) имели родственника первой степени с историей меланомы. В этой группе ожидаемо большая осведомленность о возможном раке кожи, 8 из 17 случаев злокачественности были обнаружены у участников с семейной историей меланомы (Таблица 4).

Таблица 4. Участники с личной или семейной историей меланомы

Описание Описание Семейная история
Общее кол-во новообразований 16 102
Соответствуют критериям 16 (100 %) 95 (93 %)
Иссечены 6 19
Злокачественные 2 (33 %) 8 (42 %)
Меланома 0 5
Базальноклеточная карцинома 1 2
Плоскоклеточная карцинома 1* 1*

*и личная, и семейная история меланомы

Оценка 381 новообразования, вызывавших опасение

Анатомические участки локализации новообразований, вызывавших озабоченность, приведены на рисунке 1. Было выявлено 83 новообразования, отмеченные как нуждающиеся в иссечении, 17 из них оказались злокачественными, в том числе 10 меланом, 6 пигментных базальноклеточных карцином и одна пигментная плоскоклеточная карцинома in situ. ИИ отметил 27 новообразований как нуждающиеся в иссечении и определил 11 случаев рака, а дерматологи – от 8 до 14 случаев (Таблица 5).

Среди новообразований, для которых было предложено наблюдение, рекомендация к иссечению была сделана дерматологом в двух случаях, и оба показали злокачественность. Таблица 6 показывает статистическое сравнение диагностики ИИ и врачами с учетом результатов гистопатологического анализа. Участковый дерматолог показывал самую высокую чувствительность с 57 предложенными иссечениями и, соответственно, самую низкую специфичность и статистическую точность. ИИ имел сопоставимую со сторонним дерматологом статистическую точность (общая вероятность, что новообразование было корректно классифицировано), значения составляли 73,6 и 74,4 % соответственно.

новообразования кожи

Рисунок 1. Расположение 381 новообразования, вызывавших опасения, и иссеченных новообразова- ний, являвшихся раком кожи.

BCC – базальноклеточная карцинома; SCC – плоскоклеточная карцинома in situ

Аналогично и количество необходимых биопсий (NNB), отмеченное искусственным интеллектом, было самым низким (2,25), за ним шли показатели стороннего дерматолога (2, 3). ROC-кривые (Рисунок 2) выстраивали для сравнения рекомендаций к иссечению, данных дерматологами и искусственным интеллектом, с патологически подтвержденным результатом. Ближе к срединной линии указаны менее точные оценки. Площадь под кривой (AUC), или данные С-статистики, приведены в таблице 7.

Таблица 5. Патологический диагноз и предварительный диагноз, поставленный дерматологом

Патологический
диагноз
ИИ
11/17*
Дерматолог 1
19/17*
Дерматолог 2
8/17*
Дерматолог 3
13/17*
Дерматолог 4
14/17*
Дерматолог-ординатор
8/17*
Сторонний
дерматолог
12/17*
Меланома pT1b
толщина по
Бреслоу 1,0 мм
F MM MM MM BCC или MM MM MM
Меланома
толщина по
Бреслоу 0,5 мм**
NF MN SK MM AMN SK MN
Необычный невус
Шпитц или тонкая
меланома 0,5
мм**
NF MN MN MN MM MN MM
Меланома
толщина по
Бреслоу 0,2 мм
F MN MN MM AMN or MM MN MM
Меланома in
situ**
NF MN MN MN MN AMN MN
Меланома in
situ**
NF MM MM MM MM MM MM
Меланома in
situ**
NF MN MN# MN AMN AMN MN
Меланома in
situ**
NF AMN SK MN AMN MN MN
Меланома in situ F SL AMN SCC SL SL MM
Меланома in situ F MN MM MM AMN or MM MN MM
BCC F BCC MM SCC BCC MM MM or BCC
BCC F AK DF MN BCC SK MM
BCC F BCC SK MM# MM MM BCC
BCC F MM MM MM MM SK MM
BCC F BCC BCC BCC BCC or MM SCC BCC
BCC F BCC BCC BCC BCC BCC BCC
Пигментная SCC
in situ
F SL SL SL SL SL SL

Когда предлагается иссечение, диагноз выделен жирным шрифтом.
Сокращения: ИИ − искусственный интеллект, АК – актинический кератоз, AMN – атипичный меланоцитарный невус, ВСС − базальноклеточная карцинома, DF – дерматофиброма, F – отмеченное к удалению, MM – меланома, MN – меланоцитарный невус, NF – не отмеченный к удалению, SCC – плоскоклеточная карцинома in situ, SK – себорейный кератоз, SL – солнечное лентиго.
*Количество подтвержденных случаев рака из 17 выявленных случаев рака
** Патологически атипичные меланоцитарные пролиферации, где меланому можно исключить
# Иссечение предлагается после повторного осмотра

AUC является эффективным альтернативным способом обобщения точности анализа. Сторонний дерматолог показал наивысшую диагностическую точность (0,732), близкий к нему результат был у ИИ (0,702). Значения 0,7 и 0,8 приемлемы. Относительно иссеченных новообразований и решения каждого дерматолога, иссекать их или нет, разница значений достоверности оценок каждого эксперта, согласно анализу с использованием каппы Флейса, составляла 0,22 (95%-й доверительный интервал (ДИ): 0,16−0,28). Интерпретация К-значений, как известно, довольно сложна, но, основываясь на предложенном Лэндисом и Кохом (Landis and Koch) соглашении о действии, достижение согласия в вопросе, иссекать или нет, справедливо [10].

ROC-кривая

Рисунок 2. ROC-кривая. Референсная линия показывает, когда чувствительность и 1-специфичность
имеют равные значения

Оба дерматолога-патолога пришли к одинаковым результатам диагностики всех новообразований. Они назвали 38 (50 %) новообразований диагностически спорными (36 и 21 соответственно). Эти спорные случаи анализировал третий дерматолог-патолог, который согласился с финальным диагнозом во всех случаях.

Обсуждение

Программы скрининга рака направлены на его выявление на ранних, более поддающихся лечению стадиях. Программы самостоятельного скрининга рака пациентами, например в отношении рака груди и колоректального рака, применимы к пациентам, не имеющим симптомов. Успех скрининга связан с зависимостью вида рака и способности метода скрининга выявить его, а также баланса пользы и вреда процедур, связанных с выявлением.

Самостоятельный скрининг пациентами меланомы подразумевает полное обследование кожи всего тела, поэтому затруднителен и требует ресурсов. Самостоятельный скрининг меланомы не рекомендован в США, Канаде, Австралии или Новой Зеландии [11, 12]. Однако полное обследование кожи с особым вниманием к пациентам с высокой степенью риска меланомы может повысить баланс пользы и вреда [13].

Таблица 6. Статистическая оценка 83 иссеченных новообразований

Иссечения,
проверка,
статистический
анализ
ИИ Дерматолог 1 Дерматолог 2 Дерматолог 3 Дерматолог 4 Дерматолог-ординатор Сторонний
дерматолог
Иссечение (%)* 27 (32,5 %) 28 (33,7 %) 27 (32,5 %) 39 (47,0 %) 57 (68,7 %) 24 (28,9 %) 28 (33,7 %)
Рекомендованная
проверка
N/A 10 (12 %) 1 (1 %) 11 (13 %) 15 (18 %) 8 (10 %) 14 (17 %)
Чувствительность 64,7 % 52,9 % 47 % 76,5 % 82,4 % 47 % 70,6 %
Специфичность 75,76 % 69,7 % 71,2 % 48,5 % 31,8 % 75,8 % 76,8 %
PLR 2,67 1,75 1,63 1,48 1,21 1,94 2,91
NLR 0,47 0,68 0,74 0,49 0,55 0,70 0,39
PPV 40,0 % 30,4 % 29 % 27 % 23,2 % 32,7 % 42,1 %
NPV 89,6 % 85,6 % 83,3 % 89,1 % 87,8 % 83,2 % 91,1 %
NNB 2,25 3,2 3,4 3,6 4,2 3,0 2,3
Точность 73,56 % 6 66,4 % 66,4 % 54 % 41,9 % 70 % 74,72 %

Сокращения: ИИ – искусственный интеллект; NLR – отношение правдоподобия отрицательного результата; NNB – количество необходимых биопсий; NPV – отрицательное прогностическое значение; PLR – отношение положительной вероятности; PPV – положительное прогностическое значение
* Процент рекомендованных иссечений из общего числа проведенных иссечений

В наше исследование были вовлечены 482 человека, опасавшиеся вероятности рака кожи, что говорит об озабоченности людей состоянием своей кожи. Это особенно важно для лиц с семейной историей меланомы. Как ожидалось, многие новообразования были доброкачественными, 46 % из них были диагностированы как себорейный кератоз. Тем не менее из 381 исследованного новообразования 17 представляли собой рак кожи.

ИИ показал диагностическую точность не ниже, чем опытные дерматологи, согласно оценке большинства статистических параметров, включая точность, ROC-кривую, площадь под кривой и соотношение количества необходимых биопсий. Это соотношение (NNB) часто называют одним из наиболее важных показателей точности выявления меланомы [14]. NNB не рассматривает ложноотрицательные значения и больше относится к измерению специфичности [15].

Мы показали необходимость большей доступности экспертного мнения для пациентов, озабоченных имеющимися у них новообразованиями. ИИ скрининг может быть практически полезным, а его точность в отдельных случаях не ниже, чем у эксперта-дерматолога. Однако в нашем исследовании ИИ пропустил шесть случаев меланомы in situ.

Таблица 7. Площадь под ROC-кривой

Эксперт Площадь Стандартная ошибка Асимптотический
сигнал
95%-CL
ИИ 0,702 0,074 0,010 0,556 0,848
Дерматолог 1 0,628 0,079 0,104 0,474 0,783
Дерматолог 2 0,591 0,080 0,247 0,435 0,748
Дерматолог 3 0,648 0,074 0,060 0,504 0,793
Дерматолог 4 0,571 0,075 0,370 0,424 0,717
Дерматолог-ординатор 0,614 0,080 0,149 0,457 0,771
Сторонний дерматолог 0,732 0,071 0,003 0,592 0,871

Значения ниже 0,7 выделены жирным шрифтом, чтобы показать приемлемую диагностическую точность.
Сокращения: ИИ – искусственный интеллект; CI – доверительный интервал

Интересно, что дерматологи сочли эти случаи диагностически спорными. Способность атипичных меланоцитарных пролифераций расти и распространяться локально или метастазировать неизвестна. Vermariëen-Wang и соавторы [16] представили доказательство того, что атипичные меланоцитарные пролиферации неопределенной значимости не метастазируют.

Несмотря на убедительность доказательств, мы все же считаем, что будет осмотрительно повторять скрининг при помощи ИИ с интервалом в 6 месяцев или чаще, если пациент замечает изменение новообразования. Мы предлагаем внедрение ИИ в программы скрининга рака для пациентов, нуждающихся в срочной оценке пигментированного новообразования.

Ограничения

Использованная в исследовании система ИИ не смогла просканировать все новообразования, вызывавшие озабоченность пациентов, по техническим причинам, в основном из-за их локализации (Таблица 1). Она также может пропускать неоднозначные меланоцитарные пролиферации. В нашем исследовании мы не сравнивали общую клиническую точность оценки дерматологами и искусственным интеллектом и фокусировалось на отдельных новообразованиях и интерпретации дерматоскопических результатов.

Вывод

Мы продемонстрировали, что ИИ может быть точным диагностическим инструментом оценки пигментных новообразований, вызывающих опасения. Это может быть особенно полезно для пациентов с ограниченным доступом к консультации врачей, надлежащим образом обученных диагностике пигментных новообразований.

Список литературы

1. Haenssle HA, Fink C, Toberer F, et al. Man against machine reloaded: performance of a market-approved convolutional neural network in classifying a broad spectrum of skin lesions in comparison with 96 dermatologists working under less artificial conditions. Ann Oncol. 2020;31(1):137-143.

2. Fink C, Blum A, Buhl T, et al. Diagnostic performance of a deep learning convolutional neural network in the differentiation of combined naevi and melanomas. J Eur Acad Dermatol Venereol. 2020;34(6):1355-1361.

3. Winkler JK, Sies K, Fink C, et al. Melanoma recognition by a deep learning convolutional neural network—performance in different melanoma subtypes and localisations. Eur J Cancer. 2020;127:21-29.

4. MacLellan AN, Price EL, Publicover-Brouwer P, et al. The use of noninvasive imaging techniques in the diagnosis of melanoma: a prospective diagnostic accuracy study. J Am Acad Dermatol. 2021;85(2):353-359.

5. Sies K, Winkler JK, Fink C, et al. Past and present of computerassisted dermoscopic diagnosis: performance of a conventional image analyser versus a convolutional neural network in a prospective data set of 1,981 skin lesions. Eur J Cancer. 2020;135:39-46.

6. Conte S, Ghazawi FM, Le M, et al. Population-based study detailing cutaneous melanoma incidence and mortality trends in Canada. Front Med. 2022;9:830254.

7. Nova Scotia Health Authority. Finding a primary care provider in Nova Scotia—February 2023. 2023. Accessed March 29, 2023. https://www.nshealth.ca/documents and reports/findingprimary-care-provider-nova-scotia-february-2023.

8. Tromme I, Sacré L, Hammouch F, Richez P, Degryse JM, Speybroeck N. Melanoma diagnosis: predictive value of macroscopic changes observed by the patient. Melanoma Res. 2018;28(6):611-617.

9. Avilés-Izquierdo JA, Molina-López I, Rodríguez-Lomba E, Marquez-Rodas I, Suarez-Fernandez R, Lazaro-Ochaita P. Who detects melanoma? Impact of detection patterns on characteristics and prognosis of patients with melanoma. J Am Acad Dermatol. 2016;75(5):967-974.

10. Landis JR, Koch GG. The measurement of observer agreement for categorical data. Biometrics. 1977;33(1):159-174.

11. Johansson M, Brodersen J, Gøtzsche PC, Jørgensen KJ. Screening for reducing morbidity and mortality in malignant melanoma. Cochrane Database Syst Rev. 2019;6(6):CD012352.

12. Johnson MM, Leachman SA, Aspinwall LG, et al. Skin cancer screening: recommendations for data-driven screening guidelines and a review of the US Preventive Services Task Force controversy. Melanoma Manag. 2017;4(1):13-37.

13. Omara S, Wen D, Ng B, et al. Identification of incidental skin cancers among adults referred to dermatologists for suspicious skin lesions. JAMA Network Open. 2020;3(12):e2030107.

14. Argenziano G, Cerroni L, Zalaudek I, et al. Accuracy in melanoma detection: a 10-year multicenter survey. J Am Acad Dermatol 2012;67(1):54-59.

15. Marchetti MA, Yu A, Nanda J, et al. Number needed to biopsy ratio and diagnostic accuracy for melanoma detection. J Am Acad Dermatol. 2020;83(3):780-787.

16. Vermariën-Wang J, Doeleman T, van Doorn R, Mooyaart AL, Blokx WAM, Schrader AMR. Ambiguous melanocytic lesions: a retrospective cohort study of incidence and outcome of melanocytic tumor of uncertain malignant potential (MELTUMP) and superficial atypical melanocytic proliferation of uncertain significance (SAMPUS) in the Netherlands. J Am Acad Dermatol. 2023;88(3):602-608.



Индивидуальная консультация

Оставьте заявку и менеджер по продажам ответит на все Ваши вопросы

Отправить
Отправляя форму, я подтверждаю, что ознакомлен с Политикой оператора и даю Согласие на обработку персональных данных.