Κλινικά και δερματοσκοπικά χαρακτηριστικά μελανοκυτταρικών αλλοιώσεων του δέρματος : συσχέτιση με τα ιστοπαθολογικά ευρήματα και ανάλυση εικόνας
| datacite.contributor.RelatedPerson | Κάβουρας, Διονύσιος | |
| datacite.contributor.RelatedPerson | Σακελλαρόπουλος, Γεώργιος | |
| datacite.contributor.RelatedPerson | Μελαχροινού, Μαρία | |
| datacite.contributor.RelatedPerson | Λαζαρίδου, Ελισάβετ | |
| datacite.contributor.RelatedPerson | Πατσατσή, Αικατερίνη | |
| datacite.contributor.RelatedPerson | Τζελέπη, Βασιλική | |
| datacite.contributor.Supervisor | Γεωργίου, Σοφία | |
| dc.contributor.author | Καλλονιάτη, Ευαγγελία | |
| dc.contributor.other | Kalloniati, Evangelia | |
| dc.date.accessioned | 2024-03-06T10:37:16Z | |
| dc.date.available | 2024-03-06T10:37:16Z | |
| dc.date.issued | 2023-12-18 | |
| dc.degree | doctoralThesis | |
| dc.description.abstract | Εισαγωγή: Η ακριβής κλινική διάκριση των κοινών επίκτητων και των άτυπων μελανοκυτταρικών σπίλων, καθώς και των μελανωμάτων κρίνεται σημαντική. Η δερματοσκόπηση επέτρεψε την οπτικοποίηση δομών μη ορατών από το γυμνό οφθαλμό, δίνοντας μια νέα διάσταση στην κλινική αξιολόγηση των μελανοκυτταρικών βλαβών. Η μηχανική μάθηση, ένα υποπεδίο της τεχνητής νοημοσύνης, βρίσκει εφαρμογή στη δερματολογία, αξιοποιώντας απεικονιστικά δεδομένα για την κατασκευή μοντέλων μέσω διαδικασιών εκπαίδευσης και δοκιμών. Στόχος αυτής της μελέτης είναι να συγκρίνει την ευαισθησία και την ειδικότητα της κλινικής εξέτασης και της δερματοσκόπησης, σε σύγκριση με τα ιστολογικά αποτελέσματα, που αποτελούν το “gold standard” της διάγνωσης αλλά και να εξετάσει την αξιοπιστία (δυναμική) της μηχανικής μάθησης στην κατηγοριοποίηση των μελανοκυτταρικών βλαβών. Υλικά και Μέθοδοι: 118 μελανοκυτταρικές βλάβες, αξιολογήθηκαν κλινικά και εν συνεχεία δερματοσκοπικά, με τη μέθοδο Ανάλυσης Προτύπου, ενώ ακολούθησε λήψη και αποθήκευση των κλινικών και δερματοσκοπικών φωτογραφιών. Ακολούθως, πραγματοποιήθηκε χειρουργική εξαίρεση και ιστολογική εξέταση των βλαβών. Τα ευρήματα από την κλινική και δερματοσκοπική αξιολόγηση των μελανοκυτταρικών βλαβών, συγκρίθηκαν με τα ιστοπαθολογικά αποτελέσματα. Εν συνεχεία, μετά από την επεξεργασία των κλινικών φωτογραφιών, έγινε εξαγωγή συνολικά 127 χαρακτηριστικών και για τις τρεις κατηγορίες μελανοκυτταρικών βλαβών: υψηλού κινδύνου, μεσαίου κινδύνου και χαμηλού κινδύνου, για να εκτιμηθεί η ύπαρξη πιθανών στατιστικών σημαντικών διαφορών μεταξύ των 3 κατηγοριών βλαβών για κάθε χαρακτηριστικό. Ο ταξινομητής λογιστικής παλινδρόμησης, ο ταξινομητής τυχαίων δασών και ο ταξινομητής μηχανών διανυσμάτων υποστήριξης χρησιμοποιήθηκαν για τη αξιολόγηση της διαγνωστικής επίδοσης κάθε χαρακτηριστικού, ενώ η απόδοση κάθε ταξινομητή αξιολογήθηκε μέσω ανάλυσης ROC. Αποτελέσματα: Σύμφωνα με τα ιστοπαθολογικά αποτελέσματα, 63 κοινοί επίκτητοι μελανοκυτταρικοί σπίλοι, 41 δυσπλαστικοί σπίλοι, and 14 μελανώματα αφαιρέθησαν χειρουργικά και περιελήφθηκαν στη μελέτη μας. Η κλινική εξέταση με γυμνό οφθαλμό έδειξε 78.2% ευαισθησία και 71.4 % ειδικότητα, στην αναγνώριση της κλινικής ατυπίας, ενώ τα αντίστοιχα αποτελέσματα για τη δερματοσκόπηση ήταν 89.1 % και 93.7%. Η μη παραμετρική ανάλυση Kruskal-Wallis, ανέδειξε 95 στατιστικά σημαντικά χαρακτηριστικά (p-value<0.05). Από αυτά τα 95 στατιστικά σημαντικά χαρακτηριστικά, η εκ των υστέρων ανάλυση έδειξε ότι σε 66 περιπτώσεις η διαφοροποίηση είναι στατιστικά σημαντική (p-value<0.05) για το ζεύγος κλάσεων (LR-MR), σε 56 περιπτώσεις για το ζεύγος κλάσεων (ΗR-MR), ενώ τέλος σε 50 περιπτώσεις η διαφοροποίηση είναι στατιστικά σημαντική (p-value<0.05) για το ζεύγος κλάσεων (LR-ΗR). Ο ταξινομητής λογιστικής παλινδρόμησης εμφανίζει τις καλύτερες επιδόσεις σε όλα τα πιθανά ζεύγη κλάσεων, ενώ ο ταξινομητής των μηχανών διανυσμάτων υποστήριξης εμφανίζει τις χειρότερες επιδόσεις σε σχέση με τους άλλους δύο. Συμπεράσματα: Τα αποτελέσματα της παρούσας μελέτης δείχνουν μια υψηλότερη ευαισθησία και ειδικότητα της δερματοσκόπησης, σε σύγκριση με την εξέταση με γυμνό οφθαλμό, ενώ η μηχανική μάθηση θα μπορούσε να χρησιμοποιηθεί ως πρόσθετο εργαλείο κατά την αξιολόγηση των μελανοκυτταρικών βλαβών. | |
| dc.description.translatedabstract | Background: An accurate clinical classification of common benign nevi, atypical nevi and melanomas is of outstanding importance. The non-invasive method of dermoscopy, allowed for the visualization of structures invisible to the naked eye, and undoubtedly advanced the assessment of melanocytic lesions to a new dimension. Machine learning, a subfield of artificial intelligence, finds application in dermatology using imaging data to build models through training and testing processes. Aim of this study was to correlate the sensitivity and specificity of naked-eye examination and dermoscopy, in diagnosing melanocytic lesions, compared to the histopathological results, constituting the gold standard of diagnosis, but also to evaluate the reliability of machine learning in classifying melanocytic lesions. Material and Methods: One hundred eighteen melanocytic lesions were clinically evaluated via the naked eye and dermoscopic examination, using Pattern Analysis Methodology, and afterward, the clinical and dermoscopic photographs were taken and stored. Subsequently, the lesions were excised and histologically examined. Findings from the clinical and dermoscopic assessement were correlated with the histological findings. Then, 127 feautures were extracted from clinical images for all three categories of melanocytic lesions; high risk, medium risk and low risk, to assess the existence of a possible statistical significant difference between the three categories for each feature. Logistic regression classifier, random forest classifier, and support vector classifier were used to evaluate the diagnostic performance of each feature. The performance of each classifier was evaluated through ROC analysis. Results: According to the final histopathological analysis, 63 common benign nevi, 41 dysplastic nevi, and 14 cutaneous melanomas were excised in total. Clinical examination via the naked eye showed 78.2% sensitivity and 71.4% specificity in identifying the clinical atypia, while dermoscopy demonstrated 89.1% sensitivity and 93.7% specificity. The non-parametric Kruskal-Wallis analysis revealed 95 statistically significant characteristics (p-values<0.05). Of these 95 statistically significant feautures, post-hoc analysis showed that in 66 cases the differentiation is statistically significant (p-value < 0.05), for the class pair (LR-MR), in 56 cases for the class pair (HR-MR), whereas in 50 cases the differentiation is statistiacally significant (p-value <0.05) for the class pair (LR-HR). The logistic regression classifier has the best performance across all possible class pairs, while the support vector machine classifier has the worst performance over the other two. Conclusions: The results of the present study indicate a higher sensitivity and specificity of dermoscopy in evaluating and diagnosing melanocytic lesions, compared to the naked-eye examination. Machine learning could be used as an additional tool, when evaluating melanocytic lesions. | |
| dc.identifier.uri | https://hdl.handle.net/10889/26726 | |
| dc.language.iso | el | |
| dc.rights | Attribution-NonCommercial-ShareAlike 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/us/ | * |
| dc.subject | Μελανοκυτταρικές αλλοιώσεις | |
| dc.subject | Δερματοσκοπικά χαρακτηριστικά | |
| dc.subject | Ιστοπαθολογικά αποτελέσματα | |
| dc.subject | Ανάλυση εικόνας | |
| dc.subject.alternative | Melanocytic lesions | |
| dc.subject.alternative | Dermoscopic features | |
| dc.subject.alternative | Histopathological results | |
| dc.subject.alternative | Image analysis | |
| dc.title | Κλινικά και δερματοσκοπικά χαρακτηριστικά μελανοκυτταρικών αλλοιώσεων του δέρματος : συσχέτιση με τα ιστοπαθολογικά ευρήματα και ανάλυση εικόνας | |
| dc.title.alternative | Clinical and dermoscopic features of melanocytic lesions of the skin : correlation with histopathological results, and image analysis |