Kunstmatige intelligentie wordt gebruikt om retinabeelden te analyseren

In een nieuwe aanpak wordt kunstmatige intelligentie (AI) gebruikt om retinabeelden te analyseren. Het systeem kan door artsen worden gebruikt om de beste behandeling te selecteren voor patiënten die lijden aan gezichtsverlies door diabetische maculaoedeem, een complicatie van diabetes. Dat probleem leidt vaak tot gezichtsverlies bij werkende volwassenen.

Een van de eerste soorten therapie die vaak wordt gebruikt als verdediging tegen diabetische maculaoedeem is anti-vasculaire endotheliale groeifactor (VEGF). Het probleem met VEGF-middelen is dat ze niet voor iedereen werken. Degenen die baat kunnen hebben bij de therapie moeten eerst worden geïdentificeerd, aangezien het meerdere injecties vereist. Die injecties kosten veel en zijn belastend voor zowel patiënten als artsen.

De leider van het onderzoeksteam is Sina Farsiu van de Duke University.

“We hebben een algoritme ontwikkeld dat kan worden gebruikt om optische coherentiethomografie (OCT)-beelden van de retina automatisch te analyseren om te voorspellen of een patiënt waarschijnlijk zal reageren op anti-VEGF-behandelingen,” zei ze. “Dit onderzoek is een stap richting precisiegeneeskunde, waarin dergelijke voorspellingen artsen helpen om eerstelijnsbehandelingen voor patiënten te selecteren op basis van specifieke ziekteomstandigheden.“

Het onderzoek werd gepubliceerd in The Optical Society (OSA) tijdschrift Biomedical Optics Express. In het tijdschrift toonden Farsiu en haar team aan hoe het nieuwe algoritme in staat is om nauwkeurig te voorspellen of een patiënt waarschijnlijk zal reageren op anti-VEGF-therapie, na slechts één volumetrische scan.

“Onze aanpak kan mogelijk worden gebruikt in oogklinieken om onnodige en dure proef- en foutbehandelingen te voorkomen en zo een aanzienlijke behandellast voor patiënten te verlichten,” zei Farsiu. “Het algoritme kan ook worden aangepast om de reactie op therapie voor veel andere oogaandoeningen te voorspellen, waaronder neovasculaire leeftijdsgebonden maculadegeneratie.”

Het nieuw ontwikkelde algoritme is gebaseerd op een novelle convolutionele neurale netwerk (CNN)-architectuur. Een CNN is een type kunstmatige intelligentie en het geeft prioriteit aan verschillende aspecten of objecten om beelden te analyseren. Het algoritme werd door de onderzoekers gebruikt om beelden te onderzoeken die zijn verkregen met OCT, een niet-invasieve technologie. OCT produceert hoge-resolutie dwarsdoorsnede retinabeelden en het wordt beschouwd als de standaard voor de beoordeling en behandeling van verschillende oogaandoeningen.

“In tegenstelling tot eerder ontwikkelde benaderingen, vereist ons algoritme OCT-beelden van slechts één pretreatmente-tijdstip,” zei Reza Rasti, eerste auteur van het artikel en een postdoctorale onderzoeker in Farsiu’s laboratorium. “Er is geen behoefte aan tijdsreeks-OCT-beelden, patiëntrecords of andere metadata om de reactie op de behandeling te voorspellen.”

Het nieuwe algoritme werkt door globale structuren in de OCT te benadrukken. Tegelijkertijd versterkt het ook lokale kenmerken van zieke gebieden. Het zoekt naar CNN-gecodeerde kenmerken die kunnen worden gecorreleerd met anti-VEGF-reactie.

Het algoritme werd getest met OCT-beelden van 127 patiënten die waren behandeld voor diabetische maculaoedeem met drie opeenvolgende injecties van anti-VEGF-middelen. Het algoritme analyseerde vervolgens OCT-beelden die waren gemaakt voordat de anti-VEGF-injecties werden toegediend, en de voorspellingen van het algoritme werden vergeleken met OCT-beelden die waren gemaakt na de anti-VEGF-therapie. Dit liet de onderzoekers zien of de behandeling had geleid tot een verbetering van de aandoening.

Het algoritme bleek een nauwkeurigheidspercentage van 87 procent te hebben voor het voorspellen van degenen die zouden reageren op de behandeling. Het had een gemiddelde precisie en specificiteit van 85 procent en een gevoeligheid van 80 procent.

De onderzoekers willen nu de resultaten bevestigen en een grotere observationele studie uitvoeren van patiënten die nog niet zijn behandeld.