Marcel Kollek | AI w trichoskopii | Computer Vision | MedTech
Kiedy mówi się o sztucznej inteligencji w trychologii, najczęściej pojawia się jeden
scenariusz: zdjęcie trafia do algorytmu, a system zwraca nazwę najbardziej
prawdopodobnej choroby. To efektowne, ale z punktu widzenia praktyki klinicznej nie
jest najciekawszym zastosowaniem tej technologii. Znacznie większy potencjał kryje
się w tym, czy komputer potrafi obiektywnie zmierzyć to, co dziś często opisujemy
słowami: mniejsza gęstość, większa miniaturyzacja, więcej cienkich włosów, poprawa
po terapii.
Klasyfikacja to dopiero pierwsza warstwa
Klasyfikacja obrazu jest naturalnym początkiem rozwoju systemów AI. Model otrzymuje
trichoskopię i określa, do jakiej kategorii najbardziej pasuje widoczny wzorzec. W praktyce
można trenować takie systemy na obrazach związanych z łysieniem androgenowym,
łysieniem plackowatym, LPP i FFA, folliculitis decalvans, łuszczycą czy innymi chorobami
skóry głowy.
Problem polega na tym, że realny pacjent nie jest pojedynczą klasą w tabeli. Może
jednocześnie mieć cechy łysienia androgenowego i przebyć epizod nasilonego telogenowego
wypadania włosów. Może mieć obraz częściowo zmieniony przez leczenie. Może pojawić się z
dermatozą, której model nigdy wcześniej nie widział.
Dlatego informacja „najbardziej przypomina AGA” nie jest końcem procesu. Powinna być
jednym z elementów wspomagających ocenę człowieka.
Od etykiety do ilościowego fenotypu
Znacznie ciekawszy kierunek to quantitative hair phenotyping. Zamiast pytać wyłącznie, do
jakiej choroby podobny jest obraz, system może próbować opisać go liczbowo.
Może wykrywać poszczególne łodygi, zliczać włosy w analizowanym polu, mierzyć ich
widoczną szerokość, oceniać rozkład średnic i szacować udział włosów cienkich. W
odpowiednio skalibrowanym obrazie można również analizować gęstość w odniesieniu do
powierzchni.
W łysieniu androgenowym ma to szczególne znaczenie. Miniaturyzacja nie zachodzi
zero-jedynkowo. W danym obszarze współistnieją włosy o różnej średnicy i różnym stopniu
miniaturyzacji. Model ilościowy może więc próbować opisać cały rozkład, a nie tylko podać
jedną etykietę.
Co naprawdę warto mierzyć
Lista potencjalnych parametrów jest dłuższa niż samo liczenie włosów. W zależności od
jakości obrazu i kalibracji można analizować liczbę widocznych łodyg, gęstość, rozkład ich
średnicy, udział populacji cienkich i grubszych włosów, strukturę jednostek mieszkowych, a w
wybranych zastosowaniach także elementy związane ze stanem zapalnym czy łuską.
Najważniejsze jest jednak to, żeby nie udawać precyzji, której system nie ma. Jeżeli kamera
nie posiada wiarygodnej skali, wynik w mikrometrach albo włosach na centymetr kwadratowy
może być pozornie dokładny, ale metodologicznie słaby. Dlatego rozwój AI musi iść razem ze
standaryzacją pozyskiwania obrazu.
AI jako drugi obserwator
Sztuczna inteligencja nie musi zastępować specjalisty, żeby być użyteczna. Jej przewagą jest
powtarzalność. Komputer może analizować każdy obraz według tego samego zestawu reguł i
zwracać te same typy pomiarów.
Człowiek ma natomiast dostęp do kontekstu. Zna wywiad, objawy, dynamikę problemu,
farmakoterapię, wcześniejsze rozpoznania i informacje, których na zdjęciu zwyczajnie nie ma.
Najbardziej realistyczny model to więc human plus AI. Specjalista interpretuje, a system liczy,
porównuje i sygnalizuje zmiany wymagające uwagi.
Najważniejsze pytanie brzmi: co zmieniło się w czasie?
Prawdziwa wartość AI może pojawić się dopiero przy kolejnych wizytach. Wtedy pytanie nie
brzmi już „co znajduje się na zdjęciu?”, ale „co zmieniło się w stosunku do poprzedniego
badania?”.
Jeżeli potrafimy ponownie odnaleźć podobny obszar skóry głowy, zachować porównywalne
warunki i wykonać te same pomiary, otrzymujemy cyfrową trajektorię pacjenta. Możemy
analizować, czy zmienia się rozkład średnic, gęstość, udział cienkich włosów albo inne
parametry.
To przejście od pojedynczej klasyfikacji do longitudinal analysis może mieć większe znaczenie
kliniczne niż kolejny model chwalący się wysokim accuracy na jednym zbiorze danych.
AI w trichoskopii powinno przede wszystkim obiektywizować. Najbardziej dojrzała wizja AI w trychologii nie polega na zbudowaniu aplikacji, która po kilku
sekundach ogłosi diagnozę. Chodzi raczej o stopniowe przekształcanie obrazu w mierzalne
dane.
Jeżeli technologia pozwoli wiarygodnie mierzyć włosy, powtarzać analizę w czasie i
pokazywać poziom niepewności, może stać się realnym narzędziem wspierającym
prowadzenie pacjenta.
Rozpoznanie pozostaje procesem klinicznym. AI może natomiast sprawić, że część
obserwacji, które dziś zapisujemy jako „lepiej” albo „gorzej”, stanie się liczbą możliwą do
porównania.
O autorze
Marcel Kollek – trycholog kliniczny i twórca CELLØKLAB Technology. Zajmuje się zastosowaniem sztucznej inteligencji, computer vision i analizy danych w trichoskopii, ze szczególnym uwzględnieniem
quantitative hair phenotyping, longitudinal monitoring oraz walidacji modeli AI.ORCID: 0009-0006-3190-5023
Publikacje: 10.5281/zenodo.22860797 oraz 10.5281/zenodo.22861453
