Skin pigment type, phototype and photodamage determination using image analyses powered by artificial intelligence

Background: Skin pigmentation, phototype, and photodamage are crucial factors in assessing skin cancer risk and individualized prevention strategies. However, current classification methods are often crude and fail to capture the complexities of these parameters. Additionally, skin characteristics impact the diagnosis, prognosis, and management of various skin diseases, challenging accurate healthcare delivery, especially for individuals with darker skin tones. Finally, there is a call for accurate classification of these characteristics to ensure equal and safe use of AI-powered dermatology softwares.
Objectives: This study aims to develop an AI-powered system for precise classification of skin pigmentation, phototype, and photodamage using image analysis techniques.
Work Plan: Data will be collected from dermatology clinics, including images of sun-exposed and unexposed skin, along with skin pigmentation, phototype and photodamage assessments using spectrophotometry, established scales and questionnaires. Collaborating with engineers specialized in deep learning AI, the research team will create and refine the AI algorithm. Validation will be conducted to evaluate the AI's performance in predicting skin characteristics from macroscopic and dermoscopic images.
Importance: Accurate classification of skin characteristics is vital for personalized skin cancer risk assessment, prevention advice, and disease management. Improved classification not only improves healthcare delivery but also ensures safer and more effective utilization of AI-driven technologies in dermatology.

Hudton, känslighet för solljus och grad av ackumulerad solskada i huden är viktiga parametrar att väga in då en persons risk för hudcancer bestäms samt för att förbättra och individualisera nuvarande förebyggande rådgivning. Nuvarande klassificeringsskalor är grova och misslyckas med att fånga komplexiteten hos hudens egenskaper. Dessutom påverkar dessa hudkaraktäristika diagnos, prognos och vård av olika hudsjukdomar. Slutligen finns det en efterfrågan på en förbättrad klassificering för att säkerställa säker användning av dermatologiska instrument baserade på artificiell intelligens (AI) oavsett vilken hudton de används på.
Denna studie syftar till att utveckla ett verktyg för exakt klassificering av hudton, solkänslighet och solskada baserat på bildanalys genererat av djupinlärande AI.
Data kommer att samlas in från hudkliniker, inklusive bilder på solbelyst och solskyddad hud, tillsammans med hudpigmenterings-, solkänslighet- och solskade-bedömningar baserade på spektrofotometri, etablerade skalor och enkäter. I samarbete med ingenjörer specialiserade på djupinlärning AI kommer forskargruppen att skapa och förbättra AI-algoritmen. Validering kommer att genomföras för att utvärdera AI:s prestanda i att förutsäga hudkaraktäristika från makroskopiska och dermoskopiska bilder.
Noggrann klassificering av hudkaraktäristika är avgörande för personlig hudcancerriskbedömning, förebyggande rådgivning och sjukdomshantering. Förbättrad klassificering förbättrar inte bara sjukvårdsleverans utan säkerställer också säkrare och mer effektiv användning av AI-drivna teknologier inom dermatologi.