Dans une étude récemment publiée dans la revue Médecine naturelleDans une situation de télédermatologie simulée, les chercheurs ont testé la capacité des spécialistes et des médecins généralistes à diagnostiquer les maladies de la peau sur toutes les carnations.
Les approches basées sur l’apprentissage profond pour le diagnostic basé sur l’image peuvent améliorer les décisions cliniques, mais leur efficacité est inconnu en raison d’erreurs systématiques, en particulier lors de l’évaluation des groupes sous-représentés. L’avenir de l’apprentissage automatique en médecine pourrait impliquer une collaboration médecin-machine, avec des interfaces spécifiques à un domaine basées sur des modèles d’apprentissage automatique qui soutiennent les connaissances cliniques pour établir des diagnostics plus précis. La reconnaissance des experts est cruciale pour contourner les recommandations automatisées. Les premières recherches sur la télédermatologie store-and-forward montrent que les systèmes d’apprentissage profond peuvent améliorer la précision des diagnostics généralistes, mais des incertitudes demeurent quant aux performances des médecins ayant différents niveaux d’expertise et des groupes sous-représentés.
Étude: Une température corporelle élevée est associée à des symptômes dépressifs : résultats de l’étude TemPredict. Source de l’image : RossHelen / Shutterstock
À propos de l’étude
Dans la présente étude, les chercheurs ont mené une analyse numérique auprès de 389 dermatologues certifiés (BCD) et 459 médecins de soins primaires (PCP) de 39 pays pour évaluer l’exactitude des diagnostics fournis par les médecins généralistes et les spécialistes des simulations de télédermatologie.
L’étude comprenait 364 images de 46 maladies dermatologiques et demandait aux participants de soumettre un maximum de quatre diagnostics différentiels. La plupart des images représentaient huit maladies de peau relativement courantes. L’équipe a recruté plusieurs participants médicaux et a conçu l’étude sur la base d’informations précieuses issues de stratégies de gamification telles que les commentaires, les récompenses, la compétition et des règles claires. Ils ont découvert un espace de conception reproductible qui englobe différents tons de peau, maladies de peau, connaissances des médecins, collaboration médecin-machine, précision dans l’aide à la décision clinique et conceptions d’interface utilisateur.
Les chercheurs ont mesuré la précision du diagnostic sans et avec l’intelligence artificielle sur les peaux foncées et claires, à l’aide de techniques de tests algorithmiques. L’équipe s’est concentrée sur les maladies de la peau en utilisant trois critères : (i) trois dermatologues en exercice et certifiés ont identifié ces maladies comme les maladies les plus probables pour lesquelles l’équipe a pu détecter des différences de précision entre les tons chair des patients ; (ii) ces maladies sont relativement courantes ; et (iii) ces maladies sont si courantes dans les manuels de dermatologie et les atlas d’images de dermatologie que l’équipe a pu sélectionner au moins cinq images des deux types de peau les plus foncés après avoir demandé un contrôle de qualité à des dermatologues certifiés.
Pour permettre la prédiction des diagnostics assistée par ordinateur, l’équipe a formé un réseau neuronal convolutif pour classer neuf étiquettes : les huit maladies cutanées d’intérêt et une catégorie supplémentaire. Les chercheurs ont affiné le modèle en utilisant 31 219 images dermatologiques cliniques différentes de l’ensemble de données Fitzpatrick 17k et des images supplémentaires provenant de manuels scolaires, d’atlas de dermatologie et de moteurs de recherche en ligne. L’équipe a comparé le système DLS aux performances des médecins dans le diagnostic des maladies de la peau à l’aide de l’architecture VGG-16, affinée à l’aide de 31 219 images cliniques de dermatologie.
Résultats
Les médecins généralistes et les spécialistes ont obtenu une précision diagnostique de 19 % et 38 % respectivement et ont montré une précision diagnostique inférieure de quatre points de pourcentage pour les personnes à la peau foncée par rapport aux personnes à la peau claire. L’aide à la décision basée sur l’apprentissage profond a amélioré la précision du diagnostic des médecins de > 33 %, mais a élargi les écarts dans la précision du diagnostic des médecins généralistes pour différentes carnations.
Les précisions les plus élevées pour les médecins généralistes, les médecins de premier recours, les résidents en dermatologie et les dermatologues certifiés étaient respectivement de 18 %, 19 %, 36 % et 38 % pour toutes les images (à l’exclusion des images de contrôle de l’attention) et de 16 % et 17 % , 35% et 37%, respectivement, pour les photographies montrant les huit principales maladies cutanées examinées. Le principal diagnostic clinique pour les images les plus couramment identifiées par les PCP et les BCD était correct dans 33 % et 48 % des observations, respectivement.
Dans 77,0 % des photographies, un ou plusieurs BCD ont identifié des marqueurs de référence dans les diagnostics différentiels, alors qu’un ou plusieurs PCP l’ont fait dans 58 %. Une fois qu’une estimation DLS précise a été établie, un ou plusieurs BCD dans 98,0 % des photographies contenaient des marqueurs de référence dans les diagnostics différentiels. Sur toutes les photos, les participants ont détecté des perturbations sur les peaux plus foncées (FST 5,0 et 6,0 prévus) avec une précision moindre que sur les peaux plus claires.
Lors d’un examen indépendant des catégories de médecins, les précisions les plus élevées des dermatologues certifiés, des résidents en dermatologie, des médecins de soins primaires et d’autres médecins étaient de cinq points de pourcentage, cinq points de pourcentage, trois points de pourcentage et cinq points de pourcentage inférieurs pour les photos de peau plus foncée que celles. de peau plus claire, respectivement. Les précisions diagnostiques les plus élevées des dermatologues certifiés, des résidents en dermatologie, des médecins de premier recours et d’autres médecins ont été réduites de trois points de pourcentage, cinq points de pourcentage, quatre points de pourcentage et quatre points de pourcentage pour les photos de peau plus foncée comparées à une peau plus claire, respectivement. Les BCD recommandaient que les patients à la peau plus foncée étaient 4,4 points de pourcentage plus susceptibles de consulter un dermatologue et d’obtenir un deuxième avis.
Les résultats de l’étude ont montré que l’aide à la décision basée sur l’apprentissage profond peut augmenter la précision du diagnostic des médecins dans les situations de télédermatologie. Les BCD avaient une précision diagnostique de 38 %, tandis que les PCP avaient une précision de 19 %. Les résultats concordent avec des recherches antérieures suggérant que les experts sont supérieurs aux généralistes pour diagnostiquer les maladies de la peau, mais que la précision est inférieure à celle des études précédentes. La précision du diagnostic des spécialistes et des généralistes était moins bonne pour les images à peau foncée que pour celles à peau claire. Les BCD et les PCP ont obtenu des résultats supérieurs de quatre points de pourcentage sur les photos à peau claire par rapport aux photos à peau foncée. L’aide à la décision basée sur le DLS a augmenté la précision des diagnostics de premier ordre de 33 % pour les BCD et de 69 % pour les PCP, ce qui a entraîné une plus grande sensibilité dans l’identification de certaines maladies de la peau.