Melanomscreening

Die Inzidenz von Melanomen ist in den letzten Jahrzehnten stark angestiegen, während die Mortalität niedrig geblieben ist [1]. Dies hat weltweit zu Diskussionen über mögliche Ursachen geführt. Als wahrscheinlichste Ursache wird von einigen Autoren eine Überdiagnose aufgrund einer niedrigeren Hemmschwelle für Biopsien/Exzisionen pigmentierter Läsionen und die Einstufung morphologischer Veränderungen als Melanom angesehen [1]. Dieser Artikel gibt einen Überblick über die Situation, die Empfehlungen sowie die Rolle von Technologie und künstlicher Intelligenz.

Kernaussagen

• Das Melanom ist weltweit eine der häufigsten Krebsarten mit hoher Letalität. Die Prognose ist jedoch umso besser, je kleiner das Melanom bei der Erstdiagnose ist.

• Evaluationen von Hautkrebsfrüherkennungsprogrammen zeigen zwar eine Zunahme der Inzidenz in der Erkennung von Hautkrebs und insbesondere von dünnen Melanomen, jedoch bisher keine Evidenz für eine Abnahme der Mortalität.

• Auf der Basis der derzeitigen Studienlage ist es daher nicht möglich, ein Hautkrebsscreening für die asymptomatische Allgemeinbevölkerung zu empfehlen oder davon abzuraten. Empfohlen wird das Screening für alle Personen mit erhöhtem Risiko (siehe „Für welche Patienten kann ein Screening dennoch empfohlen werden?“).

• Neue bildgebende Verfahren wie die 3D-Ganzkörperfotografie mit zusätzlicher computerbasierter, KI-gestützter Risikobewertung digitaler dermatoskopischer Aufnahmen haben bei Integration in klinische Entscheidungsprozesse (als „Augmented Intelligence“, AI) eindeutig das Potenzial, das Hautkrebsscreening zu verbessern. Insbesondere bei Hochrisiko- und Melanompatienten bieten sie in Kombination mit menschlicher Expertise einen effektiveren und umfassenderen Ansatz zur Erkennung und Überwachung von Hautkrebs.

• Randomisierte kontrollierte Studien müssen zeigen, inwieweit diese vielversprechende Technik auch für andere Populationen geeignet ist.

Schlüsselwörter

Hautkrebsscreening - Melanom - Melanomscreening - Dermatoskopie - sequentielle digitale Dermatoskopie - Augmented Intelligence

Publication History

Article published online:
02 August 2024

• Literatur

• 1 Welch HG, Mazer BL, Adamson AS. The Rapid Rise in Cutaneous Melanoma Diagnoses. N Eng J Med 2021; 384 (01) 72-79
• 2 Garbe C, Amaral T, Peris K. et al. European consensus-based interdisciplinary guideline for melanoma. Part 1: Diagnostics: Update 2022. Eur Journal Cancer 2022; 170: 236-255
• 3 Tatzmann T, Schoffer O, Meier F. et al. Are patients benefiting from participation in the German skin cancer screening programme? A large cohort study based on administrative data. Br J Dermatol 2022; 186 (01) 69-77
• 4 Breitbart EW, Waldmann A, Nolte S. et al. Systematic skin cancer screening in Northern Germany. J Am Acad Dermatol 2012; 66 (02) 201-211
• 5 Eisemann N, Waldmann A, Katalinic A. Incidence of melanoma and changes in stage-specific incidence after implementation of skin cancer screening in Schleswig-Holstein. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz 2014; 57 (01) 77-83
• 6 Schumann L, Eisemann N, Augustin J. et al. Association of early-stage incidence and mortality in malignant melanoma – a population-based ecological study. J Dtsch Dermatol Ges 2023; 21 (Suppl. 05) 33-40
• 7 Hübner J, Augustin M, Augustin J. et al. Evaluation der Hautkrebsfrüherkennung in Deutschland mit Krebsregisterdaten – Herausforderungen, Lösungen und aktuelle Trends. JJ Dtsch Dermatol Ges 2023; 21 (Suppl. 05) 13-21
• 8 Garbe C, Augustin M, Augustin J. et al. Evaluation der Hautkrebsfrüherkennung in Deutschland – Teilnahme, Tumordetektion und Intervalltumoren auf Grundlage von GKV-Daten. J Dtsch Dermatol Ges 2023; 21 (Suppl. 05) 3-12
• 9 Matsumoto M, Wack S, Weinstock MA. et al. Five-Year Outcomes of a Melanoma Screening Initiative in a Large Health Care System. JAMA Dermatology 2022; 158 (05) 504-512
• 10 Smith B, Matsumoto M, Wang H. et al. Melanoma Detection in Alaska Native, American Indian, Asian, Black, Hispanic, and Pacific Islander Patients in a Large Skin Cancer Screening Initiative. JAMA Dermatol 2023; 159 (09) 1004-1006
• 11 Whiteman DC, Olsen CM, MacGregor S. et al. The effect of screening on melanoma incidence and biopsy rates. Br J Dermatol 2022; 187 (04) 515-522
• 12 Garbe C, Büttner P, Weiss J. et al. Associated factors in the prevalence of more than 50 common melanocytic nevi, atypical melanocytic nevi, and actinic lentigines: multicenter case-control study of the Central Malignant Melanoma Registry of the German Dermatological Society. J Invest Dermatol 1994; 102 (05) 700-705
• 13 de Snoo FA, Kroon MW, Bergman W. et al. From sporadic atypical nevi to familial melanoma: risk analysis for melanoma in sporadic atypical nevus patients. J Am Acad Dermatol 2007; 56 (05) 748-752
• 14 Stefanaki C, Chardalias L, Doura E. et al. Paediatric melanoma. J Eur Acad Dermatol Venereol 2017; 31 (10) 1604-1615
• 15 Saginala K, Barsouk A, Aluru JS. et al. Epidemiology of Melanoma. Med Sci (Basel) 2021; 9 (04) 63
• 16 Tsao H, Olazagasti JM, Cordoro MK. et al. Early detection of melanoma: reviewing the ABCDEs. J Am Acad Dermatol 2015; 72 (04) 717-723
• 17 Gaudy-Marqueste C, Wazaefi Y, Bruneu Y. et al. Ugly Duckling Sign as a Major Factor of Efficiency in Melanoma Detection. JAMA Dermatol 2017; 153 (04) 279-284
• 18 Young AT, Vora NB, Cortez J. et al. The role of technology in melanoma screening and diagnosis. Pigment Cell Melanoma Res 2021; 34 (02) 288-300
• 19 Dinnes J, Deeks JJ, Chuchu N. et al. Dermoscopy, with and without visual inspection, for diagnosing melanoma in adults. Cochrane Database Syst Rev 2018; 12 (12) CD011902
• 20 Haenssle HA, Fink C, Toberer J. et al. Man against machine reloaded: performance of a market-approved convolutional neural network in classifying a broad spectrum of skin lesions in comparison with 96 dermatologists working under less artificial conditions. Ann Oncol 2020; 31 (01) 137-143
• 21 Haenssle HA, Fink C, Schneiderbauer R. et al. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Ann Oncol 2018; 29 (08) 1836-1842
• 22 Cerminara SE, Cheng P, Kosnter L. et al. Diagnostic performance of augmented intelligence with 2D and 3D total body photography and convolutional neural networks in a high-risk population for melanoma under real-world conditions: A new era of skin cancer screening?. Eur J Cancer 2023; 190: 112954
• 23 Goessinger EV, Cerminara SE, Mueller AM. et al. Consistency of convolutional neural networks in dermoscopic melanoma recognition: A prospective real-world study about the pitfalls of augmented intelligence. J Eur Acad Dermatol Venereol 2023;
• 24 Goessinger EV, Niederfeilner JC, Cerminara S. et al. Patient and dermatologists' perspectives on augmented intelligence for melanoma screening: A prospective study. J Eur Acad Dermatol Venereol 2024;
• 25 Jahn AS, Navarini AA, Cerminara SE. et al. Over-Detection of Melanoma-Suspect Lesions by a CE-Certified Smartphone App: Performance in Comparison to Dermatologists, 2D and 3D Convolutional Neural Networks in a Prospective Data Set of 1204 Pigmented Skin Lesions Involving Patients’ Perception. Cancers (Basel) 2022; 14 (15) 3829
• 26 Freeman K, Dinnes J, Chuchu N. et al. Algorithm based smartphone apps to assess risk of skin cancer in adults: systematic review of diagnostic accuracy studies. BMJ 2020; 368: m127