Opzetten van de dermatopathologie-encyclopedie DermpathNet met een op kunstmatige intelligentie gebaseerde workflow

Waarom een nieuwe beeldbank van de huid ertoe doet

Huidkankers en andere gezwellen worden vaak gediagnosticeerd door dunne weefseldoorsneden onder een microscoop te onderzoeken, een vakgebied dat bekendstaat als dermatopathologie. De beelden die artsen opleiden en kunstmatige-intelligentie (AI)-hulpmiddelen testen, zitten echter vaak achter betaalmuren of zijn beperkt door privacyregels. Dit artikel introduceert DermpathNet, een vrij beschikbare, zorgvuldig beoordeelde verzameling van duizenden huidbiopsiebeelden, opgebouwd met hulp van AI. Het is bedoeld om leren, het controleren van diagnoses en het ontwikkelen van nieuwe computertools voor clinici en onderzoekers wereldwijd gemakkelijker en betrouwbaarder te maken.

Het probleem van verborgen lespreparaten

De meeste medische studenten leren van glasslides of digitale bestanden die door één ziekenhuis worden beheerd. Deze materialen kunnen patiëntidentificatiegegevens bevatten of zijn gelicentieerd op manieren die delen verhinderen. Bestaande onlinebronnen vereisen vaak een betaald abonnement, bieden slechts een handvol voorbeeldgevallen, of worden mogelijk niet consequent door experts beoordeeld. Daardoor ontbreekt het studenten en clinici aan een brede, betrouwbare en open verzameling microscopische huidbeelden die zowel veelvoorkomende als zeldzame tumoren toont. Zonder zo’n bron is het moeilijk om gevallen te vergelijken, onderwijs te standaardiseren of eerlijk te beoordelen hoe goed computervisiestystemen daadwerkelijk presteren.

Het vinden van kwaliteitsbeelden in een zee van artikelen

De auteurs wendden zich tot de Open Access-collectie van PubMed Central, een enorme bibliotheek met volledige biomedische artikelen waarvan de inhoud juridisch hergebruikt mag worden. Ze begonnen met een gestructureerde lijst, of lexicon, van 12 groepen goedaardige en kwaadaardige huidtumoren en bijna 200 specifieke diagnoses, opgebouwd uit deskundige input en gestandaardiseerde medische vocabularia. Met dit lexicon zochten ze in PubMed Central naar artikelen waarvan de titels of samenvattingen deze aandoeningen noemden, downloadden de volledige teksten en extraheerden alle figuren en figuuronderschriften. Deze eerste ronde leverde meer dan 200.000 figuren uit meer dan 43.000 artikelen op—veel te veel, en de meeste waren geen microscopische beelden van huid.

Hoe AI en trefwoorden samenwerkten

Om nuttige beelden van irrelevante te scheiden, ontwikkelde het team een hybride filtersysteem. Het ene deel was een deep-learningmodel dat op een aparte medische afbeeldingsverzameling was getraind om te beslissen of een afbeelding op een pathologiediaslide leek. Het andere deel doorzocht de figuuronderschriften op kenmerkende termen zoals vergrotingsniveaus of kleuringstermen die gewoonlijk bij microscoopbeelden voorkomen. Voor veelvoorkomende diagnoses werden alleen beelden die beide tests doorstonden bewaard, wat de zuiverheid verbeterde; voor zeldzame diagnoses werden beelden geaccepteerd die één van de tests doorstonden om te voorkomen dat schaars beschikbare voorbeelden zouden ontbreken. Toen deze hybride methode werd gecontroleerd tegen een menselijke “gouden standaard” van 651 handmatig gelabelde beelden, was de prestatie sterk, met een F-score van meer dan 90%, beter dan alleen AI of alleen trefwoorden gebruiken.

Wat DermpathNet bevat en hoe het wordt gebruikt

Na verwerking leverde de workflow 7.772 beelden op die 166 verschillende huidtumordiagnoses beslaan. Elk beeld is beoordeeld door gecertificeerde dermatopathologen en is gekoppeld aan rijke metadata die het bronartikel, het type ziekte en gestandaardiseerde medische codes beschrijven. De dataset is zo georganiseerd dat gebruikers kunnen zoeken op ziektecategorie, specifieke diagnose of oorspronkelijke publicatie, terwijl licentie-informatie wordt bijgehouden. Naast onderwijs gebruikten de auteurs DermpathNet om de grenzen van een modern vision–language-model te onderzoeken: GPT‑4v. Toen het model werd gevraagd specifieke huidtumoren in deze uitdagende beelden te identificeren in waar/onwaar-, open vraag- en meerkeuzeopstellingen, presteerde het slecht en slaagde het er vaak niet in de juiste diagnose te herkennen, zelfs niet wanneer een korte lijst met opties werd gegeven.

Wat dit betekent voor artsen en machines

Voor niet‑specialisten kan DermpathNet worden gezien als een hoogwaardige, open gedeelde atlas van microscopische huidtumoren, opgebouwd met een slim sorteersysteem waarmee menselijke experts zich op de eindcontrole kunnen concentreren in plaats van op handmatig bladeren. Het verlaagt de drempel voor opleiding en vergelijking tussen instellingen en maakt de moeilijkheid van de visuele taak duidelijk: zelfs een geavanceerd AI-systeem had moeite met deze beelden. De auteurs concluderen dat AI kan helpen bij het samenstellen van dergelijke bronnen, maar dat de huidige algemene modellen nog niet klaar zijn om het oordeel van specialisten in de dermatopathologie te vervangen. In plaats daarvan biedt DermpathNet een stevige basis voor onderwijs en voor het bouwen van de volgende generatie gespecialiseerde medische AI-tools die werkelijk kunnen helpen bij het diagnosticeren van huidaandoeningen.

Bronvermelding: Xu, Z., Lin, M., Zhou, Y. et al. Establishing dermatopathology encyclopedia DermpathNet with Artificial Intelligence-Based Workflow. Sci Data 13, 368 (2026). https://doi.org/10.1038/s41597-026-06715-4

Trefwoorden: dermatopathologie, medische afbeeldingsdataset, kunstmatige intelligentie, huidkanker, digitale pathologie