Loading...

quantusSKIN

Análise e classificação de imagens dermatoscópicas para determinar o risco de malignidade da lesão cutânea.

Não invasivo: quantusSKIN é um teste não invasivo que permite prever o risco de malignidade de diferentes lesões cutâneas a partir de uma fotografia ou imagem dermatoscópica.

Rápido: quantusSKIN gera resultados precisos em apenas alguns minutos.

Tabela de confiabilidade QuantusSKIN

  Sensibilidade Especificidade PPV * NPV *
quantusSKIN 89.6% 85.2% 52.6% 97,8%
* PPV y NPV (Valor preditivo positivo e valor preditivo negativo)

POR QUE O quantusSKIN FUNCIONA?

Uma ferramenta de suporte automatizada é definida como aquela que requer pouca ou nenhuma intervenção do médico para obter um resultado. Nos últimos anos, a pesquisa se concentrou em algoritmos automatizados para melhorar o diagnóstico atual baseado em imagens clínicas. O surgimento das técnicas de Inteligência Artificial, e principalmente das técnicas de Deep Learning, tem aumentado o número de estudos que utilizam esse tipo de algoritmo em dermatologia diagnóstica.

Vários estudos publicados recentemente mostram que a detecção de lesões dermatológicas malignas usando modelos de Deep Learning treinados pode atingir alta precisão em diversas populações e fornece comparações quantitativas de como o desempenho do modelo pode variar entre conjuntos de dados que consistem em glaucoma de diferentes gravidades de doença e etnia .

quantusSKIN é apresentado como um novo método de Inteligência Artificial, baseado em Aprendizado Profundo de última geração. Diferentes estudos testaram a correlação entre o método de análise quantitativa proposto pelo quantusSKIN. A tecnologia se baseia na realização de uma análise quantitativa da textura da imagem do nevo cutâneo obtida por meio de smartphone, câmera reflexo ou dermatoscópio. Essa análise permite identificar padrões associados a patologias específicas e determinar o risco de malignidade da lesão. De acordo com a literatura, os diferentes testes e ferramentas usados ​​pelo dermatologista fornecem uma sensibilidade individual de 75-84% (ver referência 9); enquanto quantusSKIN obteve uma sensibilidade de 85,6% em seus testes (ver referência 16).

QUANDO USAR quantusSKIN?

quantusSKIN foi desenhado com foco claro na população em geral, e tem como objetivo ser uma ferramenta para detecção de lesões malignas de pele (melanoma, carcinoma basocelular ou carcinoma espinocelular), sendo de grande ajuda no rastreamento de pacientes com fatores de risco e priorização de listas de espera.

REFERÊNCIAS:

  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