Πρόβλεψη της μετάστασης πρωτοπαθούς μελανώματος μέσω αξιολόγησης κλινικών, δερματοσκοπικών και ιστολογικών παραμέτρων, και με τη χρήση νευρωνικού δικτύου τεχνητής νοημοσύνης

Abstract

STUDY I Background: Data on predicting melanoma metastasis based on dermatoscopic images of the primary tumor are limited in the literature. Objective: To investigate the association of specific dermatoscopic features of primary melanoma with the risk of developing metastasis. In addition, to develop a dermoscopy-based metastasis prediction model (Model 1) and compare its performance with a model based on Breslow thickness and ulceration (Model 2), as well as a combined model (Model 3). Methods: International, multicenter, retrospective study of melanoma patients (ΑJCC stage IB and above) with available dermatoscopic images of the primary tumor and sufficient follow-up to assess the occurrence of metastasis. Dermatoscopic images were evaluated by experienced raters via an online platform. Models were trained using a stratified split into training and test sets with an 80/20 ratio. The primary outcome was the development of metastasis (locoregional or distant). Secondary outcomes included survival analyses for recurrence-free survival (RFS) and distant metastasis-free survival (DMFS) in patients with early-stage melanoma (I-II). Results: 524 patients were included, 222 (42.4%) developed metastasis at diagnosis or during follow-up (median follow-up 50 months). Dermatoscopic features associated with increased metastatic risk were blue-white veil and extensive dermatoscopic ulceration (>50%). In contrast, heavy pigmentation and extensive regression structures (>50%) showed a protective association. For metastasis prediction, Model 1 predicted metastasis development with an AUC of 0.805, comparable to Model 2, while the combined model had numerically the highest performance. Pairwise comparisons among the three models did not show statistically significant differences in performance. In patients with early-stage tumors, similar dermatoscopic features predicted metastatic risk, and model performance for predicting RFS and DMFS did not differ compared with the models developed in the overall study population. Conclusions: Dermatoscopy may provide prognostic information for melanoma prior to primary tumor excision, with accuracy comparable to the current staging system. Validation of these findings in prospective studies with independent patient populations is required. STUDY II Background: Data on machine learning algorithms employing dermatoscopic images for melanoma prognosis are lacking in the literature. Objective: To investigate the accuracy of a dermatoscopy-based convolutional neural network (CNN) for predicting melanoma metastasis and to compare its performance with a model based on clinicopathological factors (Model 2) and with a combined model (Model 3). Methods: International, multicenter, retrospective study including patients with melanoma stage IA and above, with available dermatoscopic images and sufficient follow-up to determine whether metastasis occurred. A ResNet-50 architecture was used for feature extraction, generating 512-dimensional representations per image. These features were used as input to an SVM classifier (Model 1). A clinicopathological model based on Breslow thickness and histopathologic ulceration (Model 2) and a combined model (SVM + Breslow + ulceration) (Model 3) were also evaluated. Results: A total of 712 patients were included in the study, and 247 developed metastases at diagnosis or during follow-up (median follow-up 60 months). The model based on deep dermatoscopic features achieved strong discrimination (mean AUC 0.84), comparable to Model 2 (mean AUC 0.86), while the combined model showed the highest overall performance (mean AUC 0.87). Differences between models were not statistically significant. In high-risk AJCC groups (e.g., IIB/IIC), Model 1 demonstrated high sensitivity for identifying tumors at increased risk of metastasis, comparable to the staging system. Conclusions: Deep dermatoscopic features can predict metastasis with performance comparable to established clinicopathological prognostic factors. External validation in prospective studies is necessary.

ΜΕΛΕΤΗ Ι Θεωρητικό υπόβαθρο: Τα δεδομένα σχετικά με την πρόβλεψη της μετάστασης του μελανώματος με βάση δερματοσκοπικές εικόνες είναι περιορισμένα στην βιβλιογραφία. Σκοπός: Η συσχέτιση δερματοσκοπικών χαρακτηριστικών του πρωτοπαθούς μελανώματος με τον κίνδυνο ανάπτυξης μετάστασης. Επίσης, η δημιουργία ενός μοντέλου πρόβλεψης μετάστασης με βάση την δερματοσκόπηση (μοντέλο 1) και η σύγκριση της απόδοσής του με ένα μοντέλο που βασίζεται στο πάχος διήθησης κατά Breslow και την εξέλκωση (μοντέλο 2) και ένα συνδυαστικό μοντέλο (μοντέλο 3). Μέθοδοι: Διεθνής, πολυκεντρική, αναδρομική μελέτη ασθενών με μελάνωμα σταδίου ΙΒ και άνω που είχαν διαθέσιμες δερματοσκοπικές εικόνες του πρωτοπαθούς όγκου και επαρκές χρονικό διάστημα παρακολούθησης για την εμφάνιση μετάστασης. Οι δερματοσκοπικές εικόνες αξιολογήθηκαν από έμπειρους αξιολογητές μέσω διαδικτυακής πλατφόρμας. Τα μοντέλα εκπαιδεύτηκαν με στρωματοποιημένο διαχωρισμό σε ομάδες εκπαιδεύσης και ελέγχου με αναλογία 80/20. Η πρωτεύουσα έκβαση ήταν η εμφάνιση μετάστασης (περιοχικής/εντοπισμένης (locoregional) ή απομακρυσμένης). Δευτερεύουσες εκβάσεις αποτέλεσαν αναλύσεις επιβίωσης για το χρονικό διάστημα χωρίς υποτροπή [RFS] και την επιβίωση χωρίς απομακρυσμένη μετάσταση [DMFS]) σε ασθενείς με μελάνωμα πρώιμου σταδίου (I-II).Αποτελέσματα: 524 ασθενείς συμπεριλήφθηκαν στη μελέτη, 222 (42,4%) ανέπτυξαν μετάσταση κατά τη διάγνωση ή την παρακολούθηση (διάμεσος χρόνος follow-up 50 μήνες). Το μπλε-λευκό πέπλο και η εκτεταμένη δερματοσκοπική εξέλκωση (>50%) συσχετίστηκαν με αυξημένο κίνδυνο μετάστασης. Αντιθέτως, η έντονη μελάγχρωση και οι εκτεταμένες δομές υποστροφής (>50%) εμφάνισαν προστατευτική συσχέτιση. Για την πρόβλεψη μετάστασης, το μοντέλο 1 παρουσίασε διακριτική ικανότητα AUC 0.805, συγκρίσιμη με το μοντέλο 2, ενώ το συνδυαστικό μοντέλο είχε αριθμητικά την υψηλότερη απόδοση. Σε συγκρίσεις κατά ζεύγη, η απόδοση των 3 μοντέλων δεν διέφερε στατιστικά σημαντικά. Σε ασθενείς με όγκους πρώιμου σταδίου (I-II), παρόμοια δερματοσκοπικά χαρακτηριστικά προέβλεπαν τον κίνδυνο μετάστασης και η απόδοση των μοντέλων για την πρόβλεψη RFS και DMFS δεν διέφερε συγκριτικά με τα μοντέλα που αναπτύχθηκαν στο σύνολο του πληθυσμού της μελέτης. Συμπεράσματα: Η δερματοσκόπηση μπορεί να παρέχει προγνωστικές πληροφορίες για το μελάνωμα πριν την εκτομή του πρωτοπαθούς όγκου με ακρίβεια συγκρίσιμη με το τρέχον σύστημα σταδιοποίησης. Απαιτείται επικύρωση των αποτελεσμάτων σε προοπτικές μελέτες με ανεξάρτητους πληθυσμούς ασθενών. ΜΕΛΕΤΗ II Θεωρητικό Υπόβαθρο: Δεδομένα σχετικά με αλγόριθμους τεχνητής νοημοσύνης με χρήση δερματοσκοπικών εικόνων για την πρόγνωση του μελανώματος απουσιάζουν από την βιβλιογραφία. Σκοπός: Η διερεύνηση της ακρίβειας συνελικτικού νευρωνικού δικτύου (CNN) με βάση τη δερματοσκόπηση για την πρόβλεψη μετάστασης του μελανώματος και η σύγκριση της απόδοσής του με μοντέλο που βασίζεται σε κλινικοπαθολογικούς παράγοντες (μοντέλο 2) καθώς και ένα συνδυαστικό μοντέλο (μοντέλο 3). Μέθοδοι: Διεθνής, πολυκεντρική μελέτη ασθενών με μελάνωμα σταδίου ΙΑ και άνω, με διαθέσιμες δερματοσκοπικές εικόνες και επαρκή χρονικό διάστημα παρακολούθησης για την ανάπτυξη ή όχι μετάστασης. Χρησιμοποιήθηκε αρχιτεκτονική ResNet-50 για εξαγωγή χαρακτηριστικών, δημιουργώντας αναπαραστάσεις 512 διαστάσεων ανά εικόνα. Τα χαρακτηριστικά αυτά τροφοδότησαν ταξινομητή SVM (Μοντέλο 1). Συγκρίθηκαν επίσης ένα κλινικοπαθολογικό μοντέλο με βάση το πάχος Breslow και την ιστοπαθολογική εξέλκωση (Μοντέλο 2) και ένα συνδυαστικό μοντέλο (SVM + Breslow + εξέλκωση) (Μοντέλο 3). Αποτελέσματα: 712 ασθενείς συμπεριλήφθηκαν στη μελέτη, 247 ανέπτυξαν μεταστάσεις κατά τη διάγνωση ή την παρακολούθηση (διάμεσος χρόνος follow-up 60 μήνες). Το μοντέλο βασιζόμενο σε βαθιά δερματοσκοπικά χαρακτηριστικά πέτυχε ισχυρή διακριτική ικανότητα (μέση AUC 0,84), συγκρίσιμη με το μοντέλο 2 (μέση AUC 0,86), ενώ το συνδυαστικό μοντέλο παρουσίασε την υψηλότερη συνολική απόδοση (μέση AUC 0,87). Οι διαφορές μεταξύ των μοντέλων δεν ήταν στατιστικά σημαντικές. Σε ομάδες υψηλού κινδύνου κατά AJCC (π.χ. IIB/IIC), το μοντέλο 1 παρουσίασε υψηλή ευαισθησία για τον εντοπισμό όγκων με αυξημένο κίνδυνο μετάστασης, συγκρίσιμη με το σύστημα σταδιοποίησης. Συμπεράσματα: Τα βαθιά δερματοσκοπικά χαρακτηριστικά μπορούν να προβλέψουν τη μετάσταση με ακρίβεια συγκρίσιμη με τους καθιερωμένους κλινικοπαθολογικούς προγνωστικούς παράγοντες. Εξωτερική επικύρωση σε προοπτικές μελέτες κρίνεται απαραίτητη.