Kunstig intelligens bruges til at analysere retinabilleder

I en nyt udviklet tilgang bruges kunstig intelligens (AI) til at analysere retinabilleder. Systemet kan bruges af læger til at vælge den bedste behandling for patienter, der lider af synstab på grund af diabetisk maculær ødem, en komplikation ved diabetes. Problemet fører ofte til synstab hos voksne i arbejdende alder.

En af de første former for terapi, der ofte bruges som en forsvarslinje mod diabetisk maculær ødem, er anti-vasculær endothelial vækstfaktor (VEGF). Problemet med VEGF-agenter er, at de ikke virker for alle. De, der kan have gavn af terapien, skal først identificeres, da det kræver multiple injektioner. Injektionerne koster meget, og de er en byrde for både patienter og læger.

Lederen af forskningsteamet er Sina Farsiu fra Duke University.

“Vi har udviklet en algoritme, der kan bruges til automatisk at analysere optisk koherens-tomografi (OCT)-billeder af nethinden til at forudsige, om en patient er sandsynlig at reagere på anti-VEGF-behandlinger,” sagde hun. “Denne forskning repræsenterer et skridt mod præcisionsmedicin, hvor sådanne forudsigelser hjælper klinikerne med bedre at vælge første-linje-terapier for patienter baseret på specifikke sygdomsforhold.”

Arbejdet blev offentliggjort i The Optical Society (OSA)-tidsskriftet Biomedical Optics Express. I tidsskriftet demonstrerede Farsiu og hendes team, hvordan den nye algoritme er i stand til nøjagtigt at forudsige, om en patient er sandsynlig at reagere på anti-VEGF-terapi, efter kun en enkelt volumetrisk scanning.

“Vores tilgang kunne potentielt bruges i øjenklinikker til at forebygge unødvendige og dyre prøver og fejl-behandlinger og dermed lette en betydelig behandlingsbyrde for patienter,” sagde Farsiu. “Algoritmen kunne også tilpasses til at forudsige terapirespons for mange andre øjensygdomme, herunder neovaskulær aldersrelateret maculær degeneration.”

Den nyudviklede algoritme er baseret på en ny konvolutionsneuralt netværksarkitektur. Et konvolutionsneuralt netværk er en type kunstig intelligens, og det tildeler vigtighed til forskellige aspekter eller objekter for at analysere billeder. Algoritmen blev brugt af forskerne til at undersøge billeder, der er erhvervet med OCT, som er en ikke-invasiv teknologi. OCT producerer højopløsnings tværsnitsbilleder af nethinden, og det anses for at være standarden for vurdering og behandling af forskellige øjensygdomme.

“Til forskel fra tidligere udviklede tilgange, kræver vores algoritme kun OCT-billeder fra en enkelt præbehandlings tidspunkt,” sagde Reza Rasti, første forfatter af artiklen og en postdoc-forsker i Farsiuis laboratorium. “Der er ingen behov for tidsrække-OCT-billeder, patientjournaler eller andre metadata for at forudsige terapirespons.”

Den nye algoritme fungerer ved at fremhæve globale strukturer i OCT. Samtidig forbedrer den også lokale funktioner fra sygdomsramte områder. Den søger efter konvolutionsneuralt netværkskodede funktioner, der kan korreleres med anti-VEGF-respons.

Algoritmen blev testet med OCT-billeder fra 127 patienter, der havde undergået behandling for diabetisk maculær ødem med tre på hinanden følgende injektioner af anti-VEGF-agenter. Algoritmen analyserede derefter OCT-billeder, der var taget før anti-VEGF-injektionerne, og algoritmens forudsigelser blev sammenlignet med OCT-billeder taget efter anti-VEGF-terapi. Dette fortalte forskerne, om terapien resulterede i en forbedring af tilstanden.

Algoritmen havde en 87 procents nøjagtighed for at forudsige, hvem der ville reagere på behandlingen. Den havde en gennemsnitlig præcision og specificitet på 85 procent og en sensitivitet på 80 procent.

Forskerne ønsker nu at bekræfte resultaterne og gennemføre en større observationsstudie af patienter, der endnu ikke har undergået behandling.