Intelligenza artificiale e melanoma: applicazione e valutazione di un algoritmo per l’identificazione automatica del bordo di lesioni melanocitarie

Introduction: The cutaneous melanoma represents a global healthcare challenge due to its high lethality and the increasing incidence observed in recent decades. The best strategy to increase patient survival is early diagnosis when melanoma is still confined to the superficial layers of the skin and survival chances are higher. To achieve early diagnosis, it is essential to establish a screening program consisting of regular dermatological checks for the entire population. In the context of such a comprehensive screening system, artificial intelligence can be a very useful tool, assisting clinicians through an initial assessment of clinical risk indices and automatically identifying suspicious lesions that require further diagnostic evaluation by a specialist. Study Objective: In this study, the use of artificial intelligence in the analysis of the edges of suspicious lesions was investigated in order to assess the potential introduction of automated analysis systems in the early detection of melanomas. Materials and methods: To achieve this purpose, we selected 65 patients from Istituto Oncologico Veneto (IOV) who presented suspicious melanoma lesions and were recommended for biopsy confirmation. Before undergoing the removal of the suspicious lesions for histological examination, these patients underwent a photogrammetry session, during which the body regions with the lesions were photographed from different angles, allowing the creation of a three-dimensional representation of the examined area. Subsequently, we extracted the "crops", image fragments containing only the suspicious lesion and a neighboring portion of skin, excluding any other skin lesions. For each "crop", we performed both manual and automatic segmentation of the borders, subsequently calculating the Intersection Over Union (IoU) index. This index measures how much the two segmentations correspond and is used to assess the accuracy of the automatic system, using the manual segmentation as a reference parameter. It includes values between 0 and 1, where, in this case, 1 represents the ideal situation in which the clinician's manual segmentation perfectly matches the automatic segmentation obtained from the artificial intelligence algorithm. Results: In the examined patients’ sample, we observed the presence of nine melanomas (eight of which were in situ), five non-melanoma skin tumors, thirty dysplasias (mostly low-grade), and forty-two benign lesions. 73.26% of IoU values were ≥ 0.81, and only a small proportion of lesions had very low IoU values ≤ 0.59, mainly due to artifacts not recognized by the automatic system. Conclusions: Despite the limited sample size, overall, the IoU values seem promising, as most of them are close to unity. It is hoped that future research will consider additional parameters, such as color variations, symmetry, size, and changes over time, to more accurately evaluate suspicious melanoma lesions. The potential introduction of automatic classification systems as screening support could significantly reduce the number of late diagnoses of melanoma and further improve patient survival prospects.

Introduzione: Il melanoma cutaneo costituisce una sfida sanitaria di portata globale a causa della sua elevata letalità e dell’aumento della sua incidenza riscontrato negli ultimi decenni. La miglior strategia per aumentare la sopravvivenza dei pazienti è rappresentata da una diagnosi precoce quando il melanoma è ancora confinato agli strati superficiali della cute e le probabilità di sopravvivenza sono maggiori. Per effettuare una diagnosi precoce è essenziale allestire un programma di screening costituito da controlli dermatologici periodici per tutta la popolazione. Nel contesto di un così ampio sistema di screening l’intelligenza artificiale può rappresentare uno strumento assai utile, aiutando il clinico attraverso una prima valutazione di indici clinici di rischio ed individuando automaticamente lesioni sospette che richiedono un approfondimento diagnostico da parte dello specialista. Scopo dello studio: In questo studio, si è indagato l’impiego dell’intelligenza artificiale nell’analisi dei bordi di lesioni sospette, per valutare una possibile introduzione di sistemi di analisi automatica nel riconoscimento precoce di melanomi. Materiali e metodi: Per la realizzazione di questo studio, sono stati selezionati 65 pazienti dell’Istituto Oncologico Veneto (IOV) che presentavano lesioni sospette per melanoma e che avevano l’indicazione ad eseguire una biopsia per la conferma diagnostica attraverso l’esame istologico. Prima di essere sottoposti all’asportazione delle lesioni sospette per l’indagine anatomo-patologica, i suddetti pazienti hanno effettuato una seduta di fotogrammetria, in cui le regioni corporee dove erano presenti le lesioni sono state fotografate da diverse angolazioni, consentendo la creazione di una rappresentazione tridimensionale della zona in esame. Si è quindi proceduto all’estrapolazione dei crop, dei frammenti dell’immagine contenenti esclusivamente la lesione sospetta ed una limitrofa porzione di pelle, escludendo le eventuali altre lesioni cutanee presenti. Per ciascun crop abbiamo eseguito una segmentazione sia manuale che automatica dei bordi, calcolando successivamente l'indice di Intersection Over Union (IoU). Questo indice misura quanto le due segmentazioni corrispondono ed è utilizzato per valutare l'accuratezza del sistema automatico, prendendo come parametro di riferimento la segmentazione manuale. Comprende valori tra 0 e 1 dove, in questo caso, 1 rappresenta la situazione ideale in cui la segmentazione manuale effettuata dal clinico coincide perfettamente con quella automatica ottenuta dall'algoritmo di intelligenza artificiale. Risultati: Nel campione preso in esame, abbiamo potuto constatare la presenza di nove melanomi (di cui otto in situ), cinque tumori diversi dal melanoma, trenta displasie (principalmente di basso grado) e quarantadue lesioni benigne. Il 73,26% dei valori di IoU risultano essere ≥ 0,81 e solo una piccola quota di lesioni presenta valori di IoU molto bassi ≤ 0,59, principalmente a causa di artefatti non riconosciuti dal sistema automatico. Conclusioni: Pur tenendo presente la ridotta numerosità campionaria, nel complesso i valori di IoU sembrano essere promettenti, in quanto la maggior parte di essi risulta vicina all’unità. Si auspica che future ricerche possano considerare ulteriori parametri di interesse clinico, come variazioni di colore, simmetria, dimensioni e cambiamenti nel tempo, per valutare con maggiore precisione le lesioni sospette di melanoma. La possibile introduzione di sistemi automatici di classificazione come supporto allo screening potrebbe significativamente ridurre il numero di diagnosi tardive di melanoma e migliorare ulteriormente le prospettive di sopravvivenza dei pazienti.