De incidentie van huidkanker in Europa neemt toe en zal naar verwachting de komende jaren blijven stijgen.¹˒² De Wereldgezondheidsorganisatie (WHO) erkent het belang van vroege detectie, maar hiervoor is een toegankelijke gezondheidszorg nodig, met zorgprofessionals die beschikken over voldoende expertise.³˒⁴

Op kunstmatige intelligentie (AI)-gebaseerde systemen kunnen op verschillende manieren bijdragen aan vroege huidkankerdiagnose:

• door de algemene bevolking te helpen bij het identificeren van huidlaesies die dringende medische evaluatie vereisen,
• door artsen te ondersteunen bij risicobeoordeling en diagnose.

Er is behoefte aan studies die de nauwkeurigheid en veiligheid van deze tools in de praktijk evalueren^5,6, en die onderzoeken op welke punten in het diagnostische proces ze een bijdrage kunnen leveren aan de volksgezondheid.^5,7

Dit doctoraat richt zich op twee niveaus:

• Consumentenniveau: Er zijn veel apps beschikbaar, maar er blijven zorgen over hun nauwkeurigheid in realistische omstandigheden.^8,9 De eerste studie evalueert de diagnostische nauwkeurigheid, beïnvloedende factoren en gebruikersacceptatie van een veelgebruikte smartphone-app, geëvalueerd in een prospectief onderzoek met daadwerkelijke eindgebruikers.

• Niveau van zorgprofessionals: In experimentele settings werd aangetoond dat neurale netwerken expert-niveau bereiken in diagnostische nauwkeurigheid voor diagnose van huidkanker op dermatoscopische beelden.¹⁰ Er werd aangetoond dat het combineren van AI-ondersteuning met de input van artsen betere resultaten oplevert dan beide afzonderlijk, en dat minder ervaren clinici het meeste baat hebben bij AI-ondersteuning.¹¹ Deze tweede studie onderzoekt de impact van AI-gebaseerde besluitvormingsondersteuning op de klinische besluitvorming van huisartsen en dermatologen (onderzoek lopend).

Primaire doelstellingen: 
1. Het evalueren van de diagnostische nauwkeurigheid, reproduceerbaarheid en gebruikersacceptatie van een veelgebruikte smartphone-app¹² door middel van een grootschalige klinische studie in een cohort dat representatief is voor eindgebruikers.

2. Het beoordelen van de impact van AI-besluitvormingsondersteuning op diagnostische en beleidsbeslissingen en het vertrouwen van huisartsen en dermatologen met verschillende ervaringsniveaus, in een online reader studie. Daarnaast wordt het perspectief van artsen op AI-besluitvormingsondersteuning verkend.

Deze studies kunnen inzichten opleveren voor de verantwoorde integratie van AI voor vroege huidkankerdetectie binnen het huidige regelgevingskader.

1. International Agency for Research on Cancer (IARC). Cancer Today. Population fact sheets. 2022; Available from: https://gco.iarc.fr/today/fact-sheets-populations Accessed on: 20 April 2025.
2. Brochez L, Volkmer B, Hoorens I, Garbe C, Röcken M, Schüz J, et al. Skin cancer in Europe today and challenges for tomorrow. J Eur Acad Dermatol Venereol. 2024.
3. WHO Cancer screening and early detection of cancer. Preprints with The Lancet; 2010; Available from: https://www.who.int/europe/news-room/fact-sheets/item/cancer-screening-and-early-detection-of-cancer. Accessed on: 20 April 2025.
4. Adamson AS. The USPSTF I Statement on Skin Cancer Screening-Not a Disappointment but an Opportunity. JAMA Dermatol. 2023;159(6):579-81.
5. Brancaccio G, Balato A, Malvehy J, Puig S, Argenziano G, Kittler H. Artificial Intelligence in Skin Cancer Diagnosis: A Reality Check. J Invest Dermatol. 2024;144(3):492-9.
6. Liu X, Faes L, Kale AU, et al. A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging: a systematic review and meta-analysis. Lancet Digit Health. 2019;1(6):e271-e97.
7. Jones OT, Matin RN, Walter FM. Using artificial intelligence technologies to improve skin cancer detection in primary care. Lancet Digit Health. 2025;7(1):e8-e10.
8. 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. 2020;368:m127.
9. Matin RN, Dinnes J. AI-based smartphone apps for risk assessment of skin cancer need more evaluation and better regulation. Br J Cancer. 2021;124(11):1749-50.
10. Esteva A, Kuprel B, Novoa RA, et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017;542(7639):115-8.Liu X, Faes L, Kale AU, et al. A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging: a systematic review and meta-analysis. Lancet Digit Health. 2019;1(6):e271-e97.
11. Tschandl P, Rinner C, Apalla Z, et al. Human-computer collaboration for skin cancer recognition. Nat Med. 2020;26(8):1229-34.
12. SkinVision | Huidkanker Detectie App