Vorstellung einer von einer Dermatologin bzw. einem Dermatologen entwickelten Lern-App zu Hautkrebs
(molecheck.info)- Informationen zu einer Lern-App für Hautkrebs, die von einer bzw. einem Facharzt/Fachärztin für Dermatologie entwickelt wurde
- Unterstützt Nutzer dabei, auf mobilen Geräten die optimale Erfahrung zu erhalten
- Empfiehlt den Zugriff auf die Website (molecheck.info) durch Scannen eines QR-Codes
- Kann auch auf dem Desktop verwendet werden, aber die Nutzung mit dem Smartphone ist besser geeignet
- Über Quiz zu Hauterkrankungen und Hautläsionen kann Wissen über Hautkrebs erworben werden
Hinweise zu molecheck.info und zur Optimierung für mobile Umgebungen
- molecheck.info ist eine Lern-Web-App zu Hautkrebs, die unter direkter Mitwirkung einer bzw. eines Facharzt/Fachärztin für Dermatologie erstellt wurde
- Nutzer können den QR-Code mit der Smartphone-Kamera scannen und erhalten die Empfehlung, die Web-App auf einem mobilen Gerät zu nutzen
- Es wird betont, dass in der mobilen Umgebung die beste Nutzungserfahrung geboten wird
- Auf Wunsch können Nutzer die App auch in einer Desktop-Umgebung weiter verwenden
- Mit der App lassen sich Quiz zu Hautläsionen lösen und das Verständnis von Hautkrebs verbessern
1 Kommentare
Hacker-News-Kommentare
Mir gefällt der DIY-Charakter von AI-Coding wirklich sehr. Wenn vor nicht allzu langer Zeit ein Dermatologe mit so einer Idee gekommen wäre, hätte er für die tatsächliche Umsetzung einen fachlichen Partner finden und viel Arbeit investieren müssen. Deshalb wären die meisten Ideen wohl einfach Ideen geblieben. Das betrifft nicht nur Nicht-Experten. Ich selbst habe auch eine Liste von Projektideen, die sich über Jahrzehnte angesammelt hat und die ich mangels Zeit nie umsetzen konnte. Jetzt experimentiere ich damit, was ich mithilfe von AI-Agenten schaffen kann.
Eigentlich ist das Einzige, was ich schade finde, der Name „vibe code“. Dass jetzt alle Computer auf nützliche Weise programmieren können, ist wirklich etwas Gutes.
Bei mir ist es ähnlich. Ich hatte jahrelang Ideen im Kopf, die dort kreisten, habe sie aber nicht einmal versucht, weil ich überzeugt war, dass sie ohnehin nicht funktionieren würden. Ich arbeite seit fast 20 Jahren als professioneller Entwickler und hätte die Fähigkeit durchaus, aber es erschien mir wie Zeitverschwendung. Jetzt presche ich mit der Kraft von AI einfach voran. Die Ergebnisse sind holprig, aber ich denke, das ist immer noch besser als gar nichts. Man weiß nie, was zündet.
Ich hätte es wahrscheinlich auch allein hinbekommen, aber es hätte Wochen gedauert, und realistisch gesehen hätte ich es wohl nicht fertiggestellt.
Ich bin kein Experte, aber weil meine Schwester ein Melanom hatte, interessiere ich mich sehr für Hautkrebs. Dadurch kam ich schnell von 50 % auf 85 % Trefferquote. Weil die meisten Fälle Hautkrebs waren, war es leicht zu lernen. Mein Rat wäre deshalb, dass es besser wäre, wenn echte Hautkrebsfälle etwa 50 % ausmachen würden. Natürlich kann es auch sein, dass der Fokus beim Lernen absichtlich stärker auf malignen Fällen liegt. In Wirklichkeit war das Problem deutlich kniffliger, als ich dachte. Ich hätte jetzt tatsächlich Lust, einen echten Dermatologen zu treffen.
Wenn man das für das echte „Training“ von Dermatologen programmieren würde, würde man es näher an die Verhältnisse in der Realität anpassen. Als Hautarzt gilt in der Praxis wahrscheinlich nur etwa 1 von 100 Hautveränderungen, über die Menschen besorgt sind, tatsächlich als Krebs. Im aktuellen Datensatz gibt es zu viele Krebsbilder, sodass man selbst mit „alles ist Krebs“ noch gut punktet. Wenn man dann aber am Ende zu viele Menschen ohne Krebs unnötig weiterüberweist, wird das Tool letztlich unbrauchbar.
Guter Punkt. Tatsächlich wäre ein Verhältnis von Krebs zu gutartigen Läsionen von etwa 50:50 wohl besser. Das soll in künftigen Versionen berücksichtigt werden. Natürlich ist die große Mehrheit echter Hautläsionen harmlos, aber ich denke trotzdem, dass schon ein kurzes konzentriertes Training Laien helfen kann, verdächtige Läsionen besser zu erkennen.
Ich habe noch etwas mehr darüber nachgedacht und glaube eher, dass man anfangs 100 % oder einen hohen Anteil maligner Fälle zeigen sollte, damit man überhaupt lernt, worauf man achten muss. Danach kann man den Schwierigkeitsgrad schrittweise erhöhen. Je näher man an 50 % kommt, desto mehr nähert sich die Punktzahl der bloßen Wahrscheinlichkeit an, und dadurch fühlt es sich schwieriger an.
Die ersten zwölf waren fast alle Krebs, die nächsten zwölf überwiegend nicht krebsartig, glaube ich jedenfalls, falls es wirklich zufällig war. Ich kann Hautläsionen, was Krebs angeht, ehrlich gesagt überhaupt nicht unterscheiden.
Ich bin jemand, der wirklich alle möglichen Arten von Hautflecken, Muttermalen und undefinierbaren Dingen hat, deshalb wirkt dieses Projekt auf mich ziemlich beängstigend.
Es ist üblich, sich jedes Jahr beim Dermatologen einer Ganzkörper-Hautuntersuchung zu unterziehen. Ich mache das wegen meines Hauttyps seit Jahren jährlich, und bei der letzten Untersuchung wurde frühzeitig ein Basalzellkarzinom entdeckt.
Bei mir gibt es eigentlich nur eine verdächtige Stelle, aber ich habe trotzdem etwa 20 Minuten damit verbracht, nach „Dermatofibrom vs. Basalzellkarzinom“ zu googeln. In meinem Fall sieht es nach einem Dermatofibrom aus, aber dieses Projekt erinnert mich wieder daran, dass ich es besser trotzdem abklären lassen sollte.
Großartige Arbeit. Jetzt musst du unbedingt den statistischen Teil gründlich studieren, und dann wirst du schnell merken, dass das hier der einfache Teil war. Wie man die klassifizierten Ergebnisse tatsächlich einsetzt, also so, dass am Ende ein gesundheitlicher Nutzen für Patienten entsteht, ist eine viel schwierigere Hürde. Ein Startup hat einmal so ein Klassifikationssystem gebaut und die Technik selbst gut hinbekommen, aber sie hatten enorme Probleme mit der Frage, wie man es praktisch einsetzt, ohne negative Folgen zu verursachen. Selbst bei sehr niedrigen Fehlerraten wird genau das die zentrale Herausforderung sein. Sowohl False Positives als auch False Negatives sind finanziell wie emotional belastend.
Wirklich ein nützliches Tool. Ich hätte gern mehr Erklärungen dazu, worauf sich die Entscheidung stützt oder wie man auf dem Bild die richtige Antwort erkennt. Ich finde es schwer, zwischen Melanom und seborrhoischer Keratose/Nävus zu unterscheiden, und verstehe es immer noch nicht richtig. Ich habe mir etwa 120 Bilder sorgfältig angesehen und habe trotzdem noch kein gutes Gefühl dafür. Und außerdem existiert die Guide-Seite im Menü nicht: https://molecheck.info/how-to-recognise-skin-cancer
Das ist wirklich hilfreiches Feedback. Ich werde die Hinweise erweitern, damit sie diagnostisch hilfreicher sind, und auch im Menü ausführlichere Erklärungen ergänzen. Ehrlich gesagt dachte ich, außer mir würden nur ein paar meiner Patienten das nutzen, und ich hätte nie erwartet, auf die Startseite von HN zu kommen.
Ich hatte ein ähnliches Gefühl. Ich hätte gern einen Modus, in dem die Hälfte des gesamten Sets Melanome und die andere Hälfte „braune gutartige Läsionen“ sind.
Ich frage mich, ob das hier wirklich ein „invasives Melanom“ ist: Link
Laut den Metadaten des Datensatzes ist es so markiert. Natürlich könnte es fehlklassifiziert sein. In sehr seltenen Fällen kann auch ein äußerlich völlig unauffälliges Muttermal tatsächlich bösartig sein, zum Beispiel bei Fällen von naevoid melanoma: Google-Bildersuche zu naevoid melanoma. Genau deshalb ist die dermatologische Diagnose schwierig, und genau deshalb ist AI-Bildklassifikation in juristischer Hinsicht und beim Risikomanagement nicht einfach. Bei multidisziplinären Melanom-Besprechungen gab es früher ein- oder zweimal pro Jahr Fälle, die auf früheren Fotos überhaupt nicht verdächtig aussahen. Was ich Patienten immer wieder eindringlich sage, ist: Selbst wenn ein Muttermal äußerlich keinerlei offensichtliche Veränderung zeigt, sollte man es immer abklären lassen, wenn es sich über mehrere Monate hinweg verändert.
Ja, das sieht fast sicher nach einer Fehlklassifikation aus.
Ich bin ebenfalls Arzt und würde gern mehr über die Zielsetzung des Projekts und den Entwicklungsprozess hören. Eine binäre Einteilung in „besorgniserregend/nicht besorgniserregend“ scheint vor allem für den klinisch Beratenden relevant zu sein, während eine Multiple-Choice-Unterscheidung wie „BCC vs. Melanom“ eher für die Ausbildung von Medizinstudierenden nützlich wäre. Wie andere schon gesagt haben, wäre es auch interessant, das stärker an realen Patienten oder der Primärversorgung auszurichten. Natürlich könnte es dann auch schnell langweilig werden, wenn nur zu viele gutartige Nävi auftauchen.
Tolle Idee, ein gutes Beispiel dafür, wie man mit AI eine Idee verwirklichen kann. Von Experten entwickelte Lehrmittel sind für mich genau die hoffnungsvollsten Beispiele im AI-Zeitalter. Gleichzeitig fühlt es sich etwas bitter an, weil AI so oft negativ eingesetzt wird und den Wert von Internet-Kreativen zu Tech-Investoren verschiebt, und solche Projekte werden dann in Debatten manchmal als Argument nach dem Motto „Warum bist du gegen Krebsbehandlung?“ benutzt.
Zu genau solchen Themen sind im Gegenteil bereits viele Startups entstanden. Die Technik selbst ließ sich umsetzen, aber die medizinischen und ethischen Hürden zu überwinden, war die deutlich härtere Herausforderung.
Danke für das Feedback. Es freut mich, dass viele Menschen die App nützlich finden. Das wäre ohne AI-Coding definitiv nicht möglich gewesen, und ich denke, dass sich so etwas künftig auch auf viele andere nicht spezialisierte Bereiche anwenden lässt.
Tolles Projekt und auch zum Lernen wirklich sehr nützlich. Ich habe aber eine Sorge: Das Verhältnis von „besorgniserregenden“ zu „unbedenklichen“ Läsionen in der App scheint nicht der realen Bevölkerung zu entsprechen. Die Wahrscheinlichkeit, dass ein zufällig ausgewähltes Muttermal Krebs ist, ist in Wirklichkeit nicht so hoch, wie die App andeutet. Für die Lerneffizienz ist das natürlich vielleicht nötig, aber bei Laien könnte es eine übermäßige Sorge-Bias erzeugen. Man sollte wohl auch etwas über Base Rates aufklären.
Das ist der perfekte Einsatz von AI-Coding: ein auf Domänenexpertise fokussierter, in der Umsetzung wenig aufwendiger App-Fall. @sungam, falls du irgendwann Forschung zu AI-Modellen für Hautkrebs machst, kannst du dich gern melden, meine E-Mail steht im Profil. Ich baue Tools, mit denen klinische Forscher AI leichter in ihre Forschung integrieren können.