# Analyse trichoskopischer Bilder mit tiefen neuronalen Netzen zur Diagnose und Aktivitätsbewertung von Alopecia areata – eine retrospektive Studie

## TL;DR

This study shows that deep learning can help diagnose and assess the activity of alopecia areata using trichoscopy images, potentially improving accuracy and care.

## Contribution

The study introduces a two-stage deep learning framework for diagnosing alopecia areata and determining its activity level.

## Key findings

- Stage-1 achieved 88.92% accuracy in distinguishing alopecia areata from other scalp conditions and healthy controls.
- Stage-2 reached 83.33% accuracy in classifying alopecia areata activity levels into active, inactive, or regrowing phases.
- The model demonstrates AI's potential for accurate diagnosis and staging of alopecia areata.

## Abstract

Alopecia areata (AA) ist eine Autoimmunerkrankung, die Haarausfall hervorruft. Die Diagnose wird klinisch gestellt und durch Trichoskopie unterstützt. Die Trichoskopie erfordert jedoch eine Spezialausbildung. Deep‐Learning‐Modelle können die Diagnose und Behandlung von AA möglicherweise unterstützen. Ziel dieser Studie war die Entwicklung eines Deep‐Learning‐Frameworks für die Diagnose von AA und zur Bestimmung des Aktivitätsniveaus der AA.

Anhand einer retrospektiven Analyse trichoskopischer Bilder von Patienten mit Erkrankungen der Kopfhaut und gesunden Kontrollen wurde ein zweistufiges Deep‐Learning‐Modell entwickelt. Stufe‐1 des Modells hatte das Ziel, eine AA‐Erkrankung von anderen Erkrankungen der Kopfhaut sowie von gesunden Kontrollteilnehmern zu unterscheiden. In Stufe‐2 sollte ein Modell für die Erkennung des Aktivitätsniveaus der AA trainiert werden, den AA‐Datensatz in aktive AA, inaktive AA und AA mit Nachwachsen der Haare einzuteilen.

In Stufe‐1 wurden eine Gesamtgenauigkeit von 88,92% und ein F1‐Score von 88,17% mit einer Fähigkeit zur Unterscheidung von AA von 90,98% erzielt. In Stufe‐2 wurden eine Genauigkeit von 83,33% und ein F1‐Score von 83,36% erreicht.

Unsere Studie zeigt erstmals die mögliche Verwendung künstlicher Intelligenz bei der Diagnose und Stadieneinteilung der AA und ermöglicht daher genauere Diagnosen und eine bessere Versorgung.