KI wird zur Analyse von Netzhautbildern eingesetzt

In einem neu entwickelten Ansatz wird künstliche Intelligenz (KI) zur Analyse von Netzhautbildern eingesetzt. Das System könnte von Ärzten verwendet werden, um die beste Behandlung für Patienten mit Sehverlust durch diabetische Makulopathie, eine Diabetes-Komplikation, auszuwählen. Dieses Problem führt oft zu Sehverlust bei Erwachsenen im erwerbsfähigen Alter.

Eine der ersten Arten von Therapien, die oft als Verteidigungslinie gegen diabetische Makulopathie eingesetzt werden, ist anti-vasculärer endothelialer Wachstumsfaktor (VEGF). Das Problem mit VEGF-Agenzien ist, dass sie nicht für jeden wirken. Diejenigen, die von der Therapie profitieren könnten, müssen zuerst identifiziert werden, da sie mehrere Injektionen erfordert. Diese Injektionen sind teuer und belasten sowohl Patienten als auch Ärzte.

Der Leiter des Forschungsteams ist Sina Farsiu von der Duke University.

“Wir haben einen Algorithmus entwickelt, der verwendet werden kann, um optische Kohärenztomographie-(OCT)-Bilder der Netzhaut automatisch zu analysieren, um vorherzusagen, ob ein Patient wahrscheinlich auf anti-VEGF-Behandlungen anspricht”, sagte sie. “Diese Forschung stellt einen Schritt in Richtung Präzisionsmedizin dar, bei der solche Vorhersagen helfen, Klinikern, erste Therapielinien für Patienten basierend auf spezifischen Krankheitszuständen besser auszuwählen.”

Die Arbeit wurde in der Zeitschrift The Optical Society (OSA) veröffentlicht, Biomedical Optics Express. In der Zeitschrift demonstrierten Farsiu und ihr Team, wie der neue Algorithmus in der Lage ist, genau vorherzusagen, ob ein Patient wahrscheinlich auf anti-VEGF-Therapie anspricht, bereits nach einer einzigen volumetrischen Aufnahme.

“Unser Ansatz könnte potenziell in Augenkliniken verwendet werden, um unnötige und teure Versuchs-und-Irrtums-Behandlungen zu vermeiden und damit eine erhebliche Behandlungsbelastung für Patienten zu lindern”, sagte Farsiu. “Der Algorithmus könnte auch angepasst werden, um die Therapieantwort für viele andere Augenkrankheiten vorherzusagen, einschließlich neovaskulärer altersbedingter Makuladegeneration.”

Der neu entwickelte Algorithmus basiert auf einer neuartigen convolutionalen neuronalen Netzwerk-(CNN)-Architektur. Ein CNN ist eine Art künstlicher Intelligenz, und es weist verschiedenen Aspekten oder Objekten Bedeutung zu, um Bilder zu analysieren. Der Algorithmus wurde von den Forschern verwendet, um Bilder zu untersuchen, die mit OCT aufgenommen wurden, einer nichtinvasiven Technologie. OCT produziert hochauflösende querschnittliche Netzhautbilder und gilt als Standard für die Beurteilung und Behandlung verschiedener Augenkrankheiten.

“Anders als zuvor entwickelte Ansätze erfordert unser Algorithmus OCT-Bilder von nur einem einzigen Zeitpunkt vor der Behandlung”, sagte Reza Rasti, Erstautor des Artikels und Postdoktorand in Farsius Labor. “Es gibt keinen Bedarf an Zeitreihen-OCT-Bildern, Patientenakten oder anderen Metadaten, um die Therapieantwort vorherzusagen.”

Der neue Algorithmus funktioniert, indem er globale Strukturen in der OCT hervorhebt. Gleichzeitig verbessert er auch lokale Merkmale aus kranken Regionen. Er sucht nach CNN-codierten Merkmalen, die mit der anti-VEGF-Antwort korreliert werden können.

Der Algorithmus wurde mit OCT-Bildern von 127 Patienten getestet, die eine Behandlung für diabetische Makulopathie mit drei aufeinanderfolgenden Injektionen von anti-VEGF-Agenzien erhalten hatten. Der Algorithmus analysierte dann OCT-Bilder, die vor den anti-VEGF-Injektionen aufgenommen wurden, und die Vorhersagen des Algorithmus wurden mit OCT-Bildern verglichen, die nach der anti-VEGF-Therapie aufgenommen wurden. Dies sagte den Forschern, ob die Therapie zu einer Verbesserung des Zustands geführt hatte.

Der Algorithmus wies eine Genauigkeitsrate von 87 Prozent bei der Vorhersage derjenigen auf, die auf die Behandlung ansprechen würden. Er hatte eine durchschnittliche Präzision und Spezifität von 85 Prozent und eine Sensitivität von 80 Prozent.

Die Forscher möchten nun die Ergebnisse bestätigen und eine größere Beobachtungsstudie mit Patienten durchführen, die noch keine Behandlung erhalten haben.