AI används för att analysera retinabilder

I ett nytt utvecklat tillvägagångssätt används artificiell intelligens (AI) för att analysera retinabilder. Systemet kan användas av läkare för att välja den bästa behandlingen för patienter som lider av synförlust på grund av diabetisk makuläredema, en diabeteskomplikation. Detta problem leder ofta till synförlust hos vuxna i arbetsför ålder.

En av de första typerna av terapi som ofta används som försvar mot diabetisk makuläredema är anti-vascular endothelial growth factor (VEGF). Problemet med VEGF-medel är att de inte fungerar för alla. De som kan dra nytta av terapin måste identifieras först, eftersom det kräver flera injektioner. Dessa injektioner är dyra och belastar både patienter och läkare.

Forskningsgruppens ledare är Sina Farsiu från Duke University.

“Vi har utvecklat en algoritm som kan användas för att automatiskt analysera optisk koherenstomografi (OCT)-bilder av retina för att förutsäga om en patient sannolikt kommer att svara på anti-VEGF-behandlingar”, sa hon. “Denna forskning representerar ett steg mot precisionsmedicin, där sådana förutsägelser hjälper kliniker att bättre välja första linjens terapier för patienter baserat på specifika sjukdomstillstånd.”

Arbetet publicerades i The Optical Society (OSA)-tidskriften Biomedical Optics Express. I tidskriften visade Farsiu och hennes team hur den nya algoritmen kan förutsäga med stor noggrannhet om en patient sannolikt kommer att svara på anti-VEGF-terapi, redan efter en enda volymetrisk skanning.

“Vår metod kan potentiellt användas i ögonkliniker för att förhindra onödiga och dyra prövningar och därmed lindra en betydande behandlingsbörda för patienter”, sa Farsiu. “Algoritmen kan också anpassas för att förutsäga terapisvar för många andra ögonsjukdomar, inklusive neovaskulär åldersrelaterad makuladegeneration.”

Den nyligen utvecklade algoritmen baseras på en ny konvolutionsneuronnätverksarkitektur (CNN). En CNN är en typ av artificiell intelligens, och den tilldelar vikt till olika aspekter eller föremål för att analysera bilder. Algoritmen användes av forskarna för att undersöka bilder som förvärvats med OCT, som är en icke-invasiv teknik. OCT producerar högupplösta tvärsnittsbilder av retina, och det anses vara standarden för utvärdering och behandling av olika ögonsjukdomar.

“Till skillnad från tidigare utvecklade metoder kräver vår algoritm OCT-bilder från endast en enda tidpunkt före behandlingen”, sa Reza Rasti, första författare till artikeln och en postdoktorand i Farsiuis laboratorium. “Det finns inget behov av tidsserier-OCT-bilder, patientjournaler eller annan metadata för att förutsäga terapisvar.”

Den nya algoritmen fungerar genom att belysa globala strukturer i OCT. Samtidigt förbättrar den också lokala funktioner från sjuka områden. Den söker efter CNN-kodade funktioner som kan korreleras med anti-VEGF-svar.

Algoritmen testades med OCT-bilder från 127 patienter som hade genomgått behandling för diabetisk makuläredema med tre på varandra följande injektioner av anti-VEGF-medel. Algoritmen analyserade sedan OCT-bilder som togs före anti-VEGF-injektionerna, och algoritmens förutsägelser jämfördes med OCT-bilder tagna efter anti-VEGF-terapi. Detta visade för forskarna om terapin resulterade i en förbättring av tillståndet.

Algoritmen visade sig ha en noggrannhet på 87 procent för att förutsäga de som skulle svara på behandlingen. Den hade en genomsnittlig precision och specificitet på 85 procent och en sensitivitet på 80 procent.

Forskarna vill nu bekräfta resultaten och genomföra en större observationsstudie av patienter som ännu inte har genomgått behandling.