2019 November - Philipp Tschandl

Priv.Doz. Dr. med.univ. Philipp Tschandl, PhD

MedUni Wien RESEARCHER OF THE MONTH, November 2019

Die Jury „Researcher of the Month” verleiht die Auszeichnung für diesen Monat Herrn Priv.Doz. Tschandl aus Anlass der im Top-Journal „JAMA Dermatology”  (IF 8.1) erschienenen Arbeit „Expert-Level Diagnosis of Nonpigmented Skin Cancer by Combined Convolutional Neural Networks“ [1].

Die Studie entstand an der Univ.Klinik für Dermatologie in der Arbeitsgruppe von ao.Univ.-Prof. Dr. H. Kittler (Vienna Dermatologic Imaging Research; ViDIR) in Zusammenarbeit mit Dr. C. Rinner (Zentrum für Medizinische Statistik, Informatik und Intelligente Systeme; CeMSIIS), A/Prof. Dr. C. Rosendahl (University of Queensland, AUS) sowie zahlreichen internationalen Kollaborationspartnern.

Automatisierte kombinierte Auswertung klinischer und dermatoskopischer Bilder zur Hautkrebsdiagnostik

Fast alle Hauttumoren können auch unpigmentiert sein, darunter Basaliome und Plattenepithelkarzinome die, als die häufigsten Krebserkrankungen des Menschen gelten. Obwohl letztere in der Mehrzahl nicht mit hoher Sterblichkeit vergesellschaftet sind, haben sie durch ihre Häufigkeit, und die Notwendigkeit einer chirurgischen Intervention in fortgeschrittenen Tumorstadien, einen wesentlichen Einfluss auf die Morbidität von älteren PatientInnen und Gesundheitssysteme weltweit.

Zur möglichst effizienten Therapie ist die Früherkennung solcher Tumoren essentiell. Aufgrund des fehlenden Pigments weisen unpigmentierte Tumoren allerdings wenige diagnostische Merkmale auf. Auch die state-of-the-art Technik zur Erkennung von Hauttumoren,die Dermatoskopie, stößt bei unpigmentierten Läsionen auf Grenzen in der diagnostischen Genauigkeit, vor allem bei AnwenderInnen mit weniger Erfahrung in dieser Technik [6]. Daher wäre ein automatisierter Decision-Support auf dem Niveau von ExpertInnen in diesem Feld von potentiell weitreichender Bedeutung.

In der vorliegenden Studie wurden mehrere tausende Bilder unpigmentierter Hauttumoren gesammelt und damit ein auf neuronalen Netzwerken basierendes automatisches Diagnosesystem trainiert. Im Unterschied zu früheren Studien beschränkt sich die Auswertung jedoch nicht nur auf eine Bildmodalität. Stattdessen wurde die Analyse eines klinischen und eines dermatoskopischen Bildes verbunden was zu einer signifikant höheren diagnostischen Genauigkeit führte. Im Vergleich mit 95 TeilnehmerInnen, davon mehr als 60 DermatologInnen, konnte dieses System maligne Hauttumoren genauer als Anfänger und „durchschnittliche“ TeilnehmerInnen erkennen, und war genauso gut wie ExpertInnen mit >10 Jahren Erfahrung in dem Feld.

Wissenschaftliches Umfeld

Priv.Doz. Tschandl begann seine wissenschaftliche Tätigkeit bereits im 2. Jahr des Medizinstudiums in der Arbeitsgruppe von ao.Univ.Prof. Dr. H. Kittler an der Univ.Klinik für Dermatologie, wo er diagnostische Algorithmen in der Evaluierung dermatoskopischer Bilder untersuchte und neue Kriterien zur Erkennung pigmentierter und unpigmentierter Hauttumoren beschrieb. Im Rahmen seines PhDs untersuchte er die Rolle von Mutationen im Zusammenhang von Nävus-assoziierten Melanomen sowie dem biologischen Wachstum melanozytärer Tumoren. Später wechselte der wissenschaftliche Fokus in den heutigen Forschungsbereich des Machine Learning, vor allem zur Anwendung in der Diagnostik von Hauttumoren.

Zur Person

Priv.Doz. Tschandl wurde 1987 in Wien geboren. Er studierte von 2006 bis 2012 Humanmedizin an der Medizinischen Universität Wien mit Auslandsaufenthalten an der University of Queensland (AUS) und Ackerman Academy of Dermatopathology (USA). Er schloss unter der Anleitung von ao.Univ.Prof. Dr. H. Kittler sein PhD-Studium 2016 ab welches er im ersten Jahrgang des MD-PhD-Exzellenzprogramms der Medizinischen Universität Wien begonnen hatte. Seit Abschluss des Medizinstudiums ist Priv.Doz. Tschandl als Assistenzarzt an der Univ.Klinik für Dermatologie tätig, und wurde 2017 mit 29 Jahren für das Fach Dermatologie und Venerologie an der Medizinischen Universität Wien habilitiert. Zuletzt absolvierte er einen Post-Doc Aufenthalt an der School of Computing Science der Simon Fraser University (CAN).
Neben seiner Klinik- und Forschungstätigkeit beteiligt sich Priv.Doz. Tschandl auch an der Lehre im Rahmen des Humanmedizin- und Zahnmedizinstudiums. Er ist Teil des Executive Boards der International Dermoscopy Society, Vorstandsmitglied der Arbeitsgemeinschaft Dermatohistopathologie der ÖGDV, sowie Komitee-Mitglied der EADV School.

Ausgewählte Literatur

1. Tschandl P, Rosendahl C, Akay BN, Argenziano G, Blum A, Braun RP, Cabo H, Gourhant JY, Kreusch J, Lallas A, Lapins J, Marghoob A, Menzies S, Neuber NM, Paoli J, Rabinovitz HS, Rinner C, Scope A, Soyer HP, Sinz C, Thomas L, Zalaudek I, Kittler H. Expert-Level Diagnosis of Nonpigmented Skin Cancer by Combined Convolutional Neural Networks. JAMA Dermatology 2019;155(1):58-65.
2. Tschandl P, Sinz C, Kittler H. Domain-specific classification-pretrained fully convolutional network encoders for skin lesion segmentation. Comput Biol Med 2019;104:111-116.
3. Tschandl P, Argenziano G, Razmara M, Yap J. Diagnostic Accuracy of Content Based Dermatoscopic Image Retrieval with Deep Classification Features. Br J Dermatol 2018
4. Tschandl P, Rosendahl C, Kittler H. The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions. Sci Data 2018
5. Weinbacher A, Tschandl P, Kittler H, Rinner C. Interoperable Localisation of Lesions on the Human Skin. Stud Health Technol Inform. 2018;247:850-854.
6. Sinz C, Tschandl P, Rosendahl C, Akay BN, Argenziano G, Blum A, Braun RP, Cabo H, Gourhant JY, Kreusch J, Lallas A, Lapins J, Marghoob AA, Menzies SW, Paoli J, Rabinovitz HS, Rinner C, Scope A, Soyer HP, Thomas L, Zalaudek I, Kittler H.Accuracy of dermatoscopy for the diagnosis of nonpigmented cancers of the skin. J Am Acad Dermatol. 2017;77(6):1100-1109.
7. Tschandl P, Kittler H, Argenziano G. A pretrained neural network shows similar diagnostic accuracy to medical students in categorizing dermatoscopic images after comparable training conditions. Br J Dermatol. 2017;177(3):867-869.
8. Tschandl P, Hofmann L, Fink C, Kittler H, Haenssle HA. Melanomas vs. nevi in high-risk patients under long-term monitoring with digital dermatoscopy: do melanomas and nevi already differ at baseline? J Eur Acad Dermatol Venereol. 2017;31(6):972-977.