Loading...

quantusSKIN

Análisis y Clasificación de imágenes dermatoscópicas para la determinación del riesgo de malignidad de la lesión cutánea.

No invasivo: quantusSKIN es un test no invasivo que permite predecir el riesgo de malignidad de distintas lesiones de piel a partir de una fotografía o imagen dermatoscópica.

Rápido: quantusSKIN genera resultados precisos en tan solo unos minutos.

Tabla de la fiabilidad de quantusSKIN

  Sensibilidad Especificidad PPV * NPV *
quantusSKIN 89.6% 85.2% 52.6% 97,8%
* PPV y NPV (Valor Predictivo Positivo y Valor Predictivo Negativo)

¿POR QUÉ FUNCIONA quantusSKIN?

Una herramienta de soporte automatizada se define como aquella que requiere una intervención mínima o nula del médico para obtener un resultado. Durante los últimos años, la investigación se ha centrado en algoritmos automáticos para mejorar el diagnóstico clínico actual a partir de imágenes. El auge de las técnicas de Inteligencia Artificial y especialmente las de Deep Learning, ha aumentado el número de estudios que utilizan este tipo de algoritmos en dermatología diagnóstica.

Varios estudios publicados recientemente evidencian que la detección de lesiones dermatológicas malignas mediante modelos de Deep Learning entrenados puede alcanzar una alta precisión en diversas poblaciones y proporciona comparaciones cuantitativas de cómo el rendimiento del modelo puede variar a través de conjuntos de datos que consisten en lesiones de piel de diferente gravedad y etnia.

quantusSKIN se presenta como un novedoso método de Inteligencia Artificial, basado en Deep Learning de última generación. Diferentes estudios realizados han probado la correlación existente entre el método de análisis cuantitativo que propone quantusSKIN. La tecnología se basa en realizar un análisis cuantitativo de la textura de la imagen del Nevus cutáneo obtenida mediante un smartphone, cámara réflex o dermatoscopio. Este análisis permite identificar patrones asociados a patologías concretas y determinar el riesgo de malignidad de la lesión. Según la literatura, las distintas pruebas y herramientas usadas por el dermatólogo dan una sensibilidad individual del 75-84% (ver referencia 9 ); mientras que quantusSKIN ha obtenido en sus tests una sensibilidad del 85,6% (ver referencia 16).

¿CUÁNDO UTILIZAR quantusSKIN?

quantusSKIN ha sido diseñado con un claro enfoque en la población general, y pretende ser una herramienta de detección de lesiones cutáneas malignas (melanoma, basal cell carcinoma o squamous cell carcinoma), siendo de gran ayuda en el cribado de pacientes con factores de riesgo y priorización de listas de espera.

REFERENCIAS:

  1. [1] U. Leiter, T. Eigentler, and C. Garbe, "Epidemiology of Skin Cancer BT - Sunlight, Vitamin D and Skin Cancer," in Advances in experimental medicine and biology, vol. 810, J. Reichrath, Ed. Springer New York, 2014, pp. 120–140.
  2. [2] C. Garbe and U. Leiter, "Melanoma epidemiology and trends," Clin. Dermatol., vol. 27, no. 1, pp. 3–9, Jan. 2009, doi: 10.1016/j.clindermatol.2008.09.001.
  3. [3] G. P. Guy, S. R. Machlin, D. U. Ekwueme, and K. R. Yabro , "Prevalence and costs of skin cancer treatment in the U.S., 2002-2006 and 2007- 2011," Am. J. Prev. Med., vol. 48, no. 2, pp. 183–187, Feb. 2015, doi: 10.1016/j.amepre.2014.08.036.
  4. [4] H. W. Rogers, M. A. Weinstock, S. R. Feldman, and B. M. Coldiron, "Incidence estimate of nonmelanoma skin cancer (kera nocyte carcinomas) in the US population, 2012," JAMA Dermatology, vol. 151, no. 10, pp. 1081–1086, Oct. 2015, doi: 10.1001/jamadermatol.2015.1187. [5] R. L. Siegel, K. D. Miller, and A. Jemal, "Cancer statistics, 2017," CA. Cancer J. Clin., vol. 67, no. 1, pp. 7–30, Jan. 2017, doi: 10.3322/caac.21387.
  5. [6] "Melanoma Warning Signs and Images - The Skin Cancer Foundation." https://www.skincancer.org/skin-cancer-information/melanoma/melanoma-warning-signs-and-images/ (accessed Sep. 29, 2020)
  6. [7] H. A. Haenssle et al., “Associa on of pa ent risk factors and frequency of nevus-associated cutaneous melanomas,” JAMA Dermatology, vol. 152, no. 3, pp. 291–298, Mar. 2016, doi: 10.1001/jamadermatol.2015.3775.
  7. [8] P. Tschandl and P. Doz Philipp Tschandl, “Sequential digital dermatoscopic imaging of patients with multiple atypical nevi,” Rev. | Dermatol Pr. Concept, vol. 8, no. 3, pp. 231–237, 2018, doi: 10.5826/dpc.0803a16.
  8. [9] M. E. Vestergaard, P. Macaskill, P. E. Holt, and S. W. Menzies, “Dermoscopy compared with naked eye examination for the diagnosis of primary melanoma: A meta-analysis of studies performed in a clinical setting,” Br. J. Dermatol., vol. 159, no. 3, pp. 669–676, Sep. 2008, doi: 10.1111/j.1365-2133.2008.08713.x.
  9. [10] H. Ki ler, H. Pehamberger, K. Wol , and M. Binder, “Diagnostic accuracy of dermoscopy,” Lancet Oncology, vol. 3, no. 3. Lancet Publishing Group, pp. 159–165, Mar. 01, 2002, doi: 10.1016/S1470-2045(02)00679-4.
  10. [11] A. C. Geller, S. M. Swe er, K. Brooks, M. F. Demierre, and A. L. Yaroch, “Screening, early detection, and trends for melanoma: Current status (2000-2006) and future directions,” Journal of the American Academy of Dermatology, vol. 57, no. 4. Mosby, pp. 555–572, Oct. 01, 2007, doi: 10.1016/j.jaad.2007.06.032.
  11. [12] A. Rosenberg and J. H. Meyerle, “Total-body photography in skin cancer screening: The clinical use of standardized imaging,” Cu s, vol. 99, no. 5, pp. 312–316, May 2017, Accessed: Sep. 29, 2020. [Online]. Available: https://europepmc.org/ar cle/med/28632800
  12. [13] N. C. F. Codella et al., “Skin lesion analysis toward melanoma detection: A challenge at the 2017 International symposium on biomedical imaging (ISBI), hosted by the international skin imaging collaboration (ISIC),” in Proceedings - International Symposium on Biomedical Imaging, May 2018, vol. 2018-April, pp. 168–172, doi: 10.1109/ISBI.2018.8363547.
  13. [14] P. Tschandl, C. Rosendahl, and H. Ki ler, “Data descriptor: The HAM10000 dataset, a large collec on of mul -source dermatoscopic images of common pigmented skin lesions,” Sci. Data, vol. 5, no. 1, pp. 1–9, Aug. 2018, doi: 10.1038/sdata.2018.161
  14. [15] M. Combalia et al., “BCN20000: Dermoscopic Lesions in the Wild,” Aug. 2019, Accessed: Jul. 01, 2020. [Online]. Available: http://arxiv.org/abs/1908
  15. [16]Coronado-Gu érrez, D., López, C., & Burgos-Ar zzu, X. (2021). Skin cancer high-risk patient screening from dermoscopic images via Artificial Intelligence: an online study. doi: 10.1101/2021.02.04.21251132