Applicazione dell'Intelligenza Artificiale nella diagnosi delle lesioni pigmentate: uno studio pilota

Introduction: Cutaneous melanoma is one of the most aggressive skin cancers, and its prognosis largely depends on early diagnosis. Artificial intelligence (AI) has recently gained growing interest in dermatology, particularly with the development of algorithms capable of analyzing dermoscopic images and supporting clinicians in diagnostic decision-making. Objectives: To evaluate the diagnostic accuracy of the AI-based DEXI algorithm (VIDIX platform) in the analysis of suspicious melanocytic lesions, by comparing the risk score generated by the system with histological diagnosis. Secondary objectives included the assessment of the subscores (asymmetry, borders, color, dimensions) and their potential correlation with histological findings. Materials and Methods: A monocentric retrospective study was conducted on 85 pigmented lesions with surgical indication and available dermoscopic images (Videodermatoscope Vidix 4.0), collected between January 2021 and July 2025 at the Dermatology Clinic, AOPD. All images were analyzed using the DEXI 2.1 algorithm. Histological diagnosis was considered the gold standard and compared with the DEXI risk score. Sensitivity, specificity, PPV, NPV, AUC, and the optimal cut-off (Youden index) were calculated. Results: Among the 85 lesions, 23 (27.1%) were melanomas (12 in situ and 11 invasive with Breslow thickness ≤ 1 mm), and 60 (70.6%) were melanocytic nevi. The mean DEXI score was significantly higher in melanomas compared to nevi (p = 0.001), but no correlation was found with Breslow thickness. The subscores A– D showed no significant differences. Using the standard risk score cut-off (3.5), sensitivity was 69.6%, specificity 65.0%, PPV 43.2%, NPV 84.8%, AUC 0.734. Using Youden’s cut-off (4.4), sensitivity was 65.2%, specificity 75.0%, PPV 50.0%, NPV 84.9%, and overall accuracy 72.3%. Discussion: The DEXI algorithm demonstrated fair discriminative ability, though with lower performance compared to previous literature (e.g., Mevorach et al., AUC 0.922), likely due to the limited sample size and inclusion of only thin melanomas (mean Breslow thickness 0.14 mm). Strengths of the study included the availability of histopathological correlation for all lesions and case selection based on clinical suspicion, which reflects real-life diagnostic practice. Limitations included the retrospective design, small sample size, and availability of a single dermoscopic image per lesion. Conclusions: Despite lower performance compared to the literature, DEXI confirms its potential as a supportive tool for dermatologists, especially in the screening of thin melanomas, which remain a diagnostic challenge. Prospective studies with larger sample sizes in real-life settings are needed to better clarify the role of AI in clinical practice.

Introduzione: Il melanoma cutaneo rappresenta una delle neoplasie cutanee più aggressive e la sua prognosi dipende in larga misura dalla diagnosi precoce. L’intelligenza artificiale (IA) ha suscitato crescente interesse in dermatologia, in particolare per lo sviluppo di algoritmi in grado di analizzare immagini dermoscopiche e supportare il clinico nella diagnosi. Obiettivi dello studio: Valutare l’accuratezza diagnostica dell’algoritmo basato su IA DEXI (piattaforma VIDIX) nell’analisi di lesioni melanocitarie sospette, confrontando lo score di rischio generato dal sistema con la diagnosi istologica. Obiettivi secondari: analizzare i sottoscore (asimmetria, bordi, colore, dimensioni) e la loro eventuale correlazione con i reperti istologici. Materiali e metodi: Studio retrospettivo monocentrico condotto su 85 lesioni pigmentate con indicazione ad asportazione chirurgica delle quali è stata acquisita immagine dermoscopica (Videodermatoscopio Vidix 4.0), raccolte tra gennaio 2021 e luglio 2025 presso la Clinica Dermatologica AOPD. Le immagini sono state analizzate con l’algoritmo DEXI 2.1. La diagnosi istologica è stata confrontata con il risk score elaborato dall’AI DEXI. Sono stati calcolati sensibilità, specificità, PPV, NPV, AUC e cut-off ottimale mediante indice di Youden. Risultati: Delle 85 lesioni, 23 (27,1%) erano melanomi (12 in situ, 11 invasivi con Breslow ≤ 1 mm) e 60 (70,6%) erano nevi melanocitari. Lo score medio DEXI era significativamente più alto nei melanomi rispetto ai nevi (p = 0,001), ma non correlava con lo spessore di Breslow. I sottoscore A–D non hanno mostrato differenze significative. Con cut-off standard di risk score (3,5): sensibilità 69,6%, specificità 65,0%, PPV 43,2%, NPV 84,8%, AUC 0,734. Con cut-off di Youden (4,4), sensibilità 65,2%, specificità 75,0%, PPV 50,0%, NPV 84,9%, accuratezza 72,3%. Discussione: L’algoritmo DEXI ha dimostrato una discreta capacità discriminante, seppur con performance inferiori rispetto a quanto riportato in letteratura (es. Mevorach et al., AUC 0,922), probabilmente per la limitata numerosità campionaria e l’inclusione esclusiva di melanomi sottili (spessore medio di Breslow 0,14 mm). Punti di forza dello studio sono stati la presenza del correlato istopatologico per tutte le lesioni e selezione delle lesioni basata sul sospetto clinico, che riflette la pratica clinica real-life. I limiti dello studio sono stati disegno retrospettivo, campione ridotto e singola immagine per lesione. Conclusioni: Nonostante performance inferiori rispetto alla letteratura, DEXI si conferma un potenziale strumento di supporto al dermatologo, soprattutto nello screening dei melanomi sottili, che rappresentano una sfida diagnostica. Sono necessari studi prospettici con maggiore numerosità campionaria in contesti real- life per chiarire il ruolo dell’IA nella pratica clinica.