Inleiding

Scabiës (schurft) is een besmettelijke huidziekte die wordt veroorzaakt door de mijt Sarcoptes scabiei var hominis. Besmetting vindt doorgaans plaats via huid-op-huidcontact van meer dan 15 minuten (1). In Nederland is sinds 2014 een stijging van het aantal scabiësbesmettingen zichtbaar (2,3). Scabiës geeft klachten van gegeneraliseerde jeuk, die meestal het hevigst is in de avond en nacht en bij warmte. De mijt graaft kenmerkende gangetjes die zichtbaar kunnen zijn als smalle, gekronkelde, iets verheven bruine laesies. Daarnaast kunnen papels, blaasjes, roodheid en een eczemateus huidbeeld ontstaan door een type IV (Informatievoorziening)-immuunrespons (1). In de praktijk zijn deze huidafwijkingen echter vaak lastig te herkennen, bijvoorbeeld omdat de gangetjes kapot zijn gekrabt. (1,4). Onderzoek met een dermatoscoop of aanvullende diagnostiek op huidschraapsels zoals met PCR (polymerase chain reaction) of microscopie kunnen meer duidelijkheid geven, maar deze middelen zijn niet altijd beschikbaar en de praktische ervaring hiermee is soms beperkt. In de praktijk wordt de diagnose daardoor soms laat gesteld wat een verhoogde ziektelast en een verhoogde transmissiekans tot gevolg kan hebben (1). Anderzijds kan een onzekere of onjuist gestelde diagnose zorgen voor overbehandeling of vertraging in het inzetten van adequate behandeling van de klachten.

De opkomst van teledermatologie en de brede beschikbaarheid van smartphones hebben de afgelopen decennia nieuwe mogelijkheden gecreëerd voor diagnostiek op afstand. Met behulp van digitale beelden en/of videoconsulten kunnen huidafwijkingen op afstand worden beoordeeld en kan er advies worden gegeven. In de afgelopen jaren heeft de ontwikkeling van kunstmatige intelligentie (AI) in combinatie met beeldherkenningstechnologie hier een nieuwe dimensie aan toegevoegd. Binnen de dermatologie wordt AI steeds vaker toegepast voor de classificatie van huidaandoeningen, waarbij vooral zogenoemde Convolutional Neural Networks (CNNs) worden gebruikt (5). Waar Large Language Modellen (LLM) zoals het bekende ChatGPT vooral zijn ontworpen om patronen in taal te herkennen, zijn CNNs juist ontworpen om beelden te herkennen en te classificeren. CNNs zijn opgebouwd uit verschillende lagen die elk een specifieke stap in de beeldverwerking uitvoeren. De eerste lagen herkennen eenvoudige structuren zoals lijnen, kleuren en randen. De middelste lagen combineren deze tot complexere patronen, zoals textuur of huidstructuren. De laatste lagen leren volledige huidafwijkingen te onderscheiden, bijvoorbeeld het verschil tussen eczeem en een schimmelinfectie. CNNs kunnen op deze manier verschillende kenmerken en patronen in beeldmateriaal leren herkennen die met het menselijk oog lastiger te herkennen zijn. CNNs kunnen met grote datasets getraind worden waarna ze kunnen worden toegepast op nieuwe, niet eerder getoonde data (6,7).

Binnen de dermatologie worden al apps ingezet die een CNN (Cable News Network) gebruiken. Een voorbeeld hiervan is de app SkinVision. Gebruikers kunnen met de app een foto maken van een zorgwekkende huidafwijking waarna de app een risico-inschatting maakt voor de meest voorkomende vormen van huidkanker en vervolgens een aanbeveling doet voor monitoring van de afwijking of het bezoeken van een zorgverlener (8,9). De app is volgens de Europese verordening voor medische hulpmiddelen goedgekeurd als medisch hulpmiddel (10) en wordt onder andere door verschillende zorgverzekeraars aangeboden (9). Ook in andere specialismen worden positieve resultaten behaald met AI-beeldanalyse. Zo werd er in augustus 2025 een studie gepubliceerd waaruit blijkt dat één radioloog samen met AI meer borstkankertumoren vindt op een mammografie dan twee radiologen samen zonder hulp van AI (11). In verschillende Nederlandse ziekenhuizen wordt AI inmiddels routinematig ingezet bij de beoordeling van radiologische beelden om fracturen, longontstekingen en andere afwijkingen te detecteren (12,13).

Deze ontwikkelingen roepen de vraag op of AI-beeldanalyse ook van toegevoegde waarde kan zijn in de diagnostiek van scabiës. Een dergelijke toepassing zou in de toekomst potentieel bruikbaar zijn voor mensen met huidklachten, zowel als hulpmiddel voor zelftriage als ter ondersteuning van de diagnostiek door huisartsen, dermatologen en binnen GGD (Gemeentelijke Gezondheidsdienst)-scabiesspreekuren. In deze narratieve review wordt bekeken wat er in de literatuur bekend is over AI-beeldanalyse bij de diagnostiek van scabiës en welke aandachtspunten er zijn bij implementatie in de praktijk.

Methode

Om een beeld te krijgen van wat er in de literatuur bekend is over het gebruik van AI-beeldanalyse in de diagnostiek van scabiës is een oriënterende literatuursearch uitgevoerd in PubMed(14). De search bevatte artikelen die zijn gepubliceerd tot en met 17-09-2025. Er werden zoektermen in het Engels ingevoerd voor “artificial intelligence”, “deep learning”, “convolutional Neural Network” en “scabies” (supplement 1). De gevonden resultaten werden door twee personen gescreend op titel en abstract. Artikelen werden geselecteerd wanneer werd ingegaan op het gebruik van AI-beeldanalyse bij scabiës.

Daarnaast werd er informatie verzameld over de toepassing van AI-beeldanalyse bij andere huidziekten om een breder beeld van deze toepassing te krijgen. Hiervoor werden diverse bronnen geraadpleegd zoals wetenschappelijke publicaties, tijdschriften en nieuwsberichten. Ook werd via de sneeuwbalmethode (het nagaan van referenties in gevonden artikelen) aanvullende literatuur geïdentificeerd.

Resultaten/bevindingen

Uit de search op PubMed kwamen vijf publicaties. Eén publicatie bleek een duplicaat en één publicatie ging niet over AI-beeldanalyse en werd daarom uitgesloten. De drie andere publicaties gingen in op het gebruik van AI-beeldanalyse bij de diagnostiek scabiës, waarvan één publicatie een systematisch review met meta-analyse betrof (tabel 1). Deze publicaties worden hieronder besproken.

*       Opgenomen in de publicatie van Liu et al. 2025 
**     Niet opgenomen in de publicatie van Liu et al. 2025 (gepubliceerd na de inclusieperiode)

Yotsu et al. onderzocht in 2023 (15) de diagnostische nauwkeurigheid van een AI-model voor vijf soorten infectieuze huidaandoeningen, waaronder scabiës. Het onderzoek werd uitgevoerd in Ivoorkust en Ghana. In totaal werden 1.709 foto’s verzameld van 509 patiënten. Voor scabiës specifiek werden 389 foto’s van 107 patiënten geanalyseerd. Alle patiënten hadden een donker huidtype. De foto’s werden gemaakt met een tablet door getrainde zorgmedewerkers. Er werden twee verschillende CNNs getest, namelijk de ResNet-50 en VGG-16. Beiden zijn veelgebruikte modellen voor beeldanalyse.  Als referentiestandaard gold de diagnose van een ervaren dermatoloog. 
De voorspellende waarde voor alle huidziekten was 79 – 85% voor het ResNet-50 model en 77 – 82% voor het VGG-16 model. Voor scabiës specifiek had het ResNet-50 model een voorspellende waarde van 85 – 88%. Een beperking van de studie was dat de database waarmee de CNNs zijn getraind een zeer beperkt aantal foto’s van personen met een donkere huidskleur bevatten. Ook waren de omstandigheden waarin de foto’s zijn genomen erg wisselend, wat een negatief effect kan hebben gehad op de betrouwbaarheid van de analyses. De auteurs concluderen dat de gebruikte AI-modellen nog verder moet worden ontwikkeld en nog niet gelijkwaardig zijn aan de klinische beoordeling door een dermatoloog, maar wel potentieel hebben mits getraind op grotere, diversere datasets.

Mehta et al. onderzocht in 2024 (16) de diagnostische nauwkeurigheid van de mobiele applicatie DermaAId bij verschillende genitale huidziekten. Het onderzoek vond plaats in India. Er werden 257 patiënten geïncludeerd, waaronder 8 met scabiës (3,1%). De referentiestandaard was de diagnose van twee dermatologen na lichamelijk onderzoek, in combinatie met een laboratorium- of histologische bevestiging. De dermatoloog maakte een foto van de afwijking met een minimale resolutie van 10 megapixels bij binnenverlichting in auto-focusstand. Per patiënt werd één foto geïncludeerd.  
De foto’s werden beoordeeld door de app, twee huisartsen en twee andere dermatologen. De diagnoses werden vervolgens vergeleken met de referentiestandaard. In 177 (69%) van de gevallen kwam de appdiagnose overeen met de referentiestandaard, tegenover 129 (50%) van de huisartsendiagnose en 188 (73%) van de dermatologendiagnose. De prestatie van de app en die van de dermatologen werd als vergelijkbaar gezien. Specifiek voor scabiës bedroegen de sensitiviteit en specificiteit respectievelijk 63% en 100%, al betrof dit slechts acht gevallen waardoor de uitkomsten met voorzichtigheid moeten worden geïnterpreteerd. De resultaten zijn beperkt generaliseerbaar, aangezien de onderzoekspopulatie vermoedelijk uitsluitend bestond uit personen met een donker huidtype en alle patiënten afkomstig waren uit één ziekenhuis.

In een systematische review en meta-analyse uit 2025 van Liu et al. (17) werden 101 studies naar AI-beeldanalyse van seksueel overdraagbare en anogenitale huidaandoeningen onderzocht. Hieronder waren acht studies waar scabiës in werd genoemd (tabel 2 en supplement 2). Omdat de studies maar beperkt ingingen op het gebruik van AI-beeldanalyse bij scabiës hebben we besloten deze niet los te bespreken. Vijf van de acht artikelen bevatten data over de sensitiviteit en specificiteit van de AI-modellen voor scabiës. Deze data van de vijf studies werd gepoold. De gepoolde sensitiviteit en specificiteit bedroegen respectievelijk 95% (95% BI 90-98%) en 97% (86-99%). Hoewel deze resultaten wijzen op een goede diagnostische prestatie, rapporteerden ze echter risico’s op selectiebias (niet-representatieve populaties), spectrumbias (beperkte variatie in ziekte-ernst) en beperkte klinische validatie. De meeste studies betroffen kleine datasets verzameld op internet of van onbekende herkomst, waarbij de generaliseerbaarheid moeilijk te beoordelen is. Daarnaast werd in een deel van de studies niet gespecificeerd wat de prestatie van de AI-modellen voor scabiës is of was onduidelijk hoeveel beelden van scabiës zijn geïncludeerd.

*   Meegenomen in meta-analyse 
** Niet verder gespecificeerd
† Geen full access, informatie uit abstract gehaald

Discussie

Zoals hierboven besproken vonden wij via onze PubMed search maar drie artikelen die ingingen op het gebruik van AI-beeldanalyse bij scabiës. In de publicatie van Liu et al. (17) zijn meer artikelen meegenomen. Deze zijn niet op PubMed gepubliceerd en dat verklaart waarom deze niet uit onze search zijn gekomen. Aangezien Liu et al. (17) een systematic review heeft uitgevoerd verwachten wij desondanks toch een relatief compleet beeld te hebben gekregen van de beschikbare literatuur. Hoewel de gevonden onderzoeken maar beperkt ingingen op de toepassing van AI-beeldanalyse bij scabiës, kunnen er uit deze onderzoeken relevante inzichten worden gehaald als het gaat over generaliseerbaarheid, het trainen van een AI-model en het type CNN. Hieronder volgt hiervan een samenvattend overzicht.

Huidtype en generaliseerbaarheid

In de besproken onderzoeken zijn overwegend patiënten met scabiës geïncludeerd met een donker huidtype of het huidtype was onbekend. AI-modellen die onvoldoende data bevatten van diverse huidtypen lieten slechtere uitkomsten zien in de voorspellingen bij de ondervertegenwoordigde huidtypen (18). Hierdoor ontstaat een risico op bias, met als mogelijk gevolg dat de uitkomsten voor bepaalde groepen niet betrouwbaar zijn. Dit geldt overigens niet alleen voor het huidtype, maar ook voor andere variabelen, zoals leeftijd, geslacht en comorbiditeit met andere huidziekten, zoals eczeem.

Inhoud van de dataset voor training van een AI-model voor scabiës en de hoeveelheid benodigde data

Het is onbekend hoeveel afbeeldingen er precies nodig zijn om een CNN betrouwbaar te trainen. Wel is duidelijk dat de omvang en variatie (zowel variatie in verschillende vormen van één ziektebeeld als voldoende variatie tussen ziektebeelden) van de dataset bepalend zijn voor de prestaties en generaliseerbaarheid van een model en dat dit ook afhankelijk is van welke taak de CNN moet gaan uitvoeren. Eerdere studies tonen aan dat de nauwkeurigheid van een AI-model toeneemt wanneer er meer afbeeldingen worden gebruikt (15,19,20). De CNN die in de SkinVision app wordt gebruikt is getraind met meer dan 100.000 foto’s van huidafwijkingen (21). Desondanks wordt er in bepaalde gevallen afgeraden de app te gebruiken, zoals bij een donkere of een behaarde huid (8). Dit suggereert dat om ook in deze gevallen een betrouwbare uitkomst te krijgen er nog meer data nodig zou zijn dan er nu al is gebruikt.

Naast de hoeveelheid afbeeldingen is ook de inhoud van de dataset van belang. Uit het onderzoek van Yotsu et al. (15) bleek dat wanneer er alleen foto’s van laboratorium of histologisch bevestigde diagnoses in de trainingsdata werden gestopt, het gebruikte AI-model beter presteerde. In het onderzoek van Liu et al. uit 2020 (5) werd een betere prestatie van het AI-model gezien wanneer er meer afbeeldingen per patiënt werden toegevoegd, met een duidelijke toename tot circa vijf foto’s. Daarnaast presteerde het model 5% beter wanneer er metadata, zoals de voorgeschiedenis en demografische gegevens werden toegevoegd. Bij scabiës zou het mogelijk zinvol kunnen zijn om aanvullende informatie te integreren, bijvoorbeeld over de aanwezigheid van nachtelijke jeuk, medicatiegebruik en het voorkomen van vergelijkbare klachten in de directe omgeving. Omdat het AI-model onderscheid zal moeten leren maken tussen verschillende huidafwijkingen zal het bovendien niet alleen op scabiës getraind moeten worden, maar ook op vergelijkbare beelden van huidafwijkingen zoals eczeem en folliculitis.

Voorwaarden voor kwaliteit van beeldmateriaal

Zoals benoemd in het artikel van Yotsu et al. (15) waren de omstandigheden waarin de foto’s waren genomen sterk uiteenlopend; zo stonden er soms ook afleidende voorwerpen op de foto’s. Dit kan de prestaties van het AI-model negatief beïnvloeden. Wanneer foto’s onscherp zijn, een lage resolutie hebben of onder- of overbelicht zijn, neemt het risico op foutieve diagnostiek door een AI-model toe (22,23). Daarnaast is het belangrijk dat het AI-model wordt getraind met foto’s van vergelijkbare kwaliteit als de beelden waarop het in de praktijk zal worden toegepast (24). Daarbij moet rekening worden gehouden met de beoogde eindgebruiker en de beschikbare middelen, zoals de kwaliteit van smartphonecamera’s.

Welk CNN kan gebruikt worden

In het onderzoek van Yotsu et al. (15) werden twee CNN’s geëvalueerd: het ResNet-50 model en het VGG-16 model. Het ResNet-50 model presteerde iets beter en nauwkeuriger dan het VGG-16 model. Ook vergeleken met het in andere onderzoeken gebruikte MobileNetV2-model behaalde ResNet-50 doorgaans een hogere accuraatheid (15,25,26). Hoewel het ResNet-50 model iets beter lijkt te presteren heeft het ook een hogere modelcomplexiteit en vraagt het daarom meer rekenkracht van een mobiel apparaat. Voor de toepassing op mobiele apparaten met minder rekenkracht, zoals smartphones, is een lichter model zoals MobileNetV2 mogelijk geschikter. De keuze van een model hangt dus niet alleen af van de nauwkeurigheid, maar ook van praktische factoren zoals de apparatuur die beschikbaar is voor de gebruikers van de tool.

Privacy, veiligheid en ethiek

Bij het trainen en/of het gebruik van een AI-model worden medische data gebruikt. Patiënten moeten hiermee instemmen door informed consent te geven en de gegevens moeten veilig worden opgeslagen volgens de geldende wet- en regelgeving. Zo moet het duidelijk zijn wie er toegang heeft tot de gegevens en waarvoor deze worden gebruikt, moet de data gepseudonimiseerd worden en moet de patiënt de toestemming voor het gebruik van de gegevens elk moment kunnen intrekken (27,28). Daarnaast is ook van belang de ethische aspecten mee te nemen. De WHO (World Health Organization) heeft hiervoor kaders geschetst (29). Zo is het onder andere van belang dat er transparantie bestaat over de werking en uitkomsten van een AI-tool en dat de prestaties worden geëvalueerd, maar is het zoals eerder genoemd ook van belang dat een AI-tool zo wordt ontwikkeld dat hij breed gebruikt kan worden en geen groepen uitsluit op basis van bijvoorbeeld sekse of huidskleur.  

Blik op de toekomst en mogelijke toepassingen

Zoals besproken zijn er maar enkele studies over het gebruik van AI-modellen, in het bijzonder CNNs, bij de diagnostiek van scabiës. In de meeste gevonden studies was scabiës één van de meerdere ziektebeelden in het model. Daar lijkt verandering in te komen. In Indonesië is recent de app INSERT ontwikkeld, waarbij een AI-model wordt ingezet voor de diagnostiek van scabiës. De auteurs schrijven over een eerste trial op een islamitische kostschool (30).

Bij de ontwikkeling van een AI-model voor het herkennen van huidziektes zijn diverse factoren van invloed zoals kwaliteit en diversiteit van de trainingsdata, beeldcondities en de beschikbaarheid van klinische referentie-informatie.

Ook de zorgcontext van een land is van invloed. De eerdergenoemde onderzoeken vonden plaats in landen met beperkte toegang tot specialistische zorg. Hoewel de situatie in Nederland anders is, blijft het stellen van een diagnose ook hier uitdagend. Een AI-model kan vooral meerwaarde hebben wanneer dermatoscopie, microscopie of PCR niet direct beschikbaar zijn. Ook zou het op termijn kunnen helpen om patiënten met een verdenking van scabiës naar de juiste zorg te begeleiden.

Tegelijkertijd kent een AI-model duidelijke beperkingen. Tot nu toe is het gebruik van een AI-model geen vervanging voor de beoordeling van een behandelaar, maar dient het vooral als ondersteuning of versterking in het diagnostisch proces. De bruikbaarheid en interpretatie van de resultaten hangen bovendien af van de beoogde gebruiker: een patiënt zal een ander doel hebben en heeft een andere interface nodig met andere uitleg dan een zorgprofessional. Dit leidt tot verschillen in verantwoordelijkheid en juridische implicaties. In de spreekkamer is de arts of verpleegkundige verantwoordelijk voor de inzet van een AI-model en de interpretatie van de uitkomst; wanneer een patiënt een AI-model buiten de spreekkamer gebruikt ligt dit anders. (27). Daarom is het van belang dat  patiënten goed geïnformeerd worden over de mogelijkheden en beperkingen van een AI-model en over wanneer deze wel of niet gebruikt zouden moeten  worden (29).

Conclusie

De ontwikkelingen op het gebied van AI-modellen voor beeldanalyse bieden mogelijkheden voor het identificeren van huidaandoeningen. Een CNN kan toegevoegde waarde hebben ten opzichte van visuele beoordeling, zeker wanneer directe diagnostische middelen ontbreken. Hoewel er maar enkele studies zijn gedaan naar de inzet van AI-modellen bij scabiës en er geen harde conclusies kunnen worden getrokken door de kleine aantallen inclusies, wijzen de bevindingen in onze optiek op potentie. Verdere validatie in grotere, diverse populaties is echter noodzakelijk.

Gezien de rol van de GGD bij diagnostiek en beleid rondom scabiës en de snelle ontwikkelingen op het gebied van AI is het relevant om hier als GGD aandacht aan te besteden. Bij de GGD regio Utrecht wordt gewerkt aan de opzet van een scabiës-fotodatabank, bedoeld voor educatieve doeleinden en met de intentie om er uiteindelijk een AI-tool mee te trainen. Daarbij zullen ook klinische en demografische gegevens en resultaten van aanvullende diagnostiek verzameld worden, voor de opbouw van een bruikbare dataset voor toekomstig onderzoek.

Dankwoord

Wij bedanken Wolfer van Den Bosch, data scientist, voor zijn inzichten en opmerkingen over het gebruik van CNNs.