Klassifizierung von Hautkrebs mit Hilfe von Convolutional Neural Networks: Systematische Übersicht

HINTERGRUND: Modernste Klassifikatoren, die auf Convolutional Neural Networks (CNNs) basieren, konnten Hautkrebsbilder in einer Qualität klassifizieren, die mit Dermatologen vergleichbar ist, und könnten lebensrettende und schnelle Diagnosen ermöglichen, sogar außerhalb des Krankenhauses durch die Installation von Apps auf mobilen Geräten. Nach unserem Kenntnisstand gibt es derzeit keine Übersicht über die aktuelle Forschung in diesem Bereich. ZIELSETZUNG: Diese Studie präsentiert die erste systematische Übersicht über den Stand der Technik zur Klassifizierung von Hautläsionen mit CNNs. Wir beschränken unsere Übersicht auf Klassifikatoren für Hautläsionen. Insbesondere werden Methoden, die ein CNN nur zur Segmentierung oder zur Klassifizierung von dermatoskopischen Mustern verwenden, hier nicht berücksichtigt. Darüber hinaus erörtert diese Studie, warum die Vergleichbarkeit der präsentierten Verfahren sehr schwierig ist und welche Herausforderungen in Zukunft angegangen werden müssen. METHODEN: Wir haben in den Datenbanken Google Scholar, PubMed, Medline, ScienceDirect und Web of Science nach systematischen Übersichten und Originalforschungsartikeln gesucht, die in englischer Sprache veröffentlicht wurden. Nur Artikel, die ausreichende wissenschaftliche Fortschritte berichteten, sind in diese Übersicht aufgenommen. ERGEBNISSE: Wir fanden 13 Artikel, die Hautläsionen unter Verwendung von CNNs klassifizierten. Grundsätzlich können Klassifikationsmethoden nach drei Prinzipien differenziert werden. Ansätze, die ein CNN verwenden, das zuvor mit einem anderen großen Datensatz trainiert wurde, und dann dessen Parameter für die Klassifizierung von Hautläsionen optimieren, sind die häufigsten und zeigen die beste Leistung mit den derzeit verfügbaren begrenzten Datensätzen. FAZIT: CNNs zeigen eine hohe Leistung als moderne Klassifikatoren für Hautläsionen. Leider ist es schwierig, verschiedene Klassifikationsmethoden zu vergleichen, da einige Ansätze nicht-öffentliche Datensätze für das Training und/oder Testen verwenden, was die Reproduzierbarkeit erschwert. Zukünftige Veröffentlichungen sollten öffentlich verfügbare Benchmarks verwenden und die verwendeten Methoden für das Training vollständig offenlegen, um die Vergleichbarkeit zu ermöglichen.