Melanóm je jedným z najagresívnejších kožných nádorov, pričom včasná diagnostika výrazne ovplyvňuje prognózu. Tradičná diagnostika sa opiera o dermatoskopiu a následnú biopsiu, avšak interpretácia obrazu je subjektívna a invazívne vyšetrenia zvyšujú záťaž pacienta. Nové prístupy využívajú reflexnú konfokálnu mikroskopiu (RCM), ktorá umožňuje detailné in vivo zobrazenie epidermis, ako aj dermo-epidermálneho junkčného pásma bez nutnosti biopsie. V kombinácii so strojovým učením ponúka RCM perspektívu v zlepšení presnosti a štandardizácie diagnostiky melanómu.

Cieľom štúdie Kentley a kol. (2025) bolo vyhodnotiť výkon modelov strojového učenia aplikovaných na RCM snímky pri rozlišovaní melanómu od nemelanómových lézií. Do analýzy bolo zaradených 1 125 lézií, pričom histopatológia slúžila ako zlatý štandard. Algoritmus využíval princíp hlbokého učenia, konkrétne konvolučné neurónové siete (CNN), ktoré sú optimalizované na spracovanie obrazových dát. CNN dokážu automaticky extrahovať relevantné morfologické znaky, ako je nepravidelná architektúra, atypické melanocyty či zmeny v štruktúre dermo-epidermálneho spojenia, a to bez manuálneho označovania.

Model bol trénovaný na označených dátach a následne testovaný na nezávislom súbore lézií. Výsledky ukázali vysokú diagnostickú presnosť s citlivosťou 93 % a špecificitou 88 %. V porovnaní s tradičným klinickým hodnotením a dermatoskopiou sa podarilo znížiť počet falošne negatívnych výsledkov, čím sa znížilo riziko prehliadnutia melanómu. Okrem toho algoritmus priaznivo ovplyvnil aj problematiku interindividuálnej variability medzi dermatológmi.

Štúdia sa opiera aj o poznatky Kose a kol. (2021) a Shahriari a kol. (2021), ktoré preukázali, že CNN dokážu dosiahnuť presnosť porovnateľnú alebo vyššiu než skúsení dermatológovia. Tieto siete využívajú hierarchické vrstvy na rozpoznanie komplexných obrazových štruktúr a môžu byť prispôsobené na rozlišovanie odlišných typov pigmentových lézií. CNN tak umožňujú presnejšie hodnotenie RCM obrazov v porovnaní s manuálnou interpretáciou.

Zaujímavým aspektom je aj potenciál integrácie algoritmov do klinickej praxe prostredníctvom softvérových platforiem, ktoré by mohli v reálnom čase asistovať dermatológovi pri rozhodovaní o potrebe biopsie. To môže výrazne znížiť počet zbytočných chirurgických zákrokov, minimalizovať jazvy a náklady, čo je v súlade s trendom personalizovanej medicíny.

Kombinácia reflexnej konfokálnej mikroskopie so strojovým učením teda predstavuje zásadný krok k presnejšej, rýchlejšej a neinvazívnej diagnostike melanómu. Implementácia konvolučných neurónových sietí umožňuje štandardizáciu hodnotenia obrazov a znižuje subjektivitu diagnostiky. Do budúcnosti môže tento prístup výrazne znížiť potrebu biopsií a zlepšiť klinické výsledky pacientov.

KĽÚČOVÉ SLOVÁ: melanóm – neinvazívna diagnostika – reflexná konfokálna mikroskopia – strojové učenie

OBOR: dermatologie – onkologie

ZDROJ: Kentley, J., Kurtansky, N., Jain, M., Cordova, M., Weber, J. et al. Noninvasive Diagnosis of Melanoma Using Machine Learning and Reflectance Confocal Microscopy. J Invest Dermatol. 2025
doi:10.1016/j.jid.2025.05.019.

Dostupné z:
https://shorturl.at/aWZJJ
[cit. 2025-08-25]