Diagnose von Netz­haut­erkrankungen beschleunigen

Ein neues KI-System analysiert Augen-Scans schneller und erkennt Netz­haut­erkrankungen präziser als bisherige Modelle, wie eine US-amerikanische Studie zeigt. Nichtinvasive Augen-Scans liefern detaillierte 3D-Aufnahmen des Augeninneren und unterstützen die Diagnose seh­ge­fähr­den­der Erkrankungen. Die Auswertung der dabei entstehenden großen Bildmengen ist jedoch zeitaufwendig und kann feh­ler­an­fäl­lig sein.

KI-System beschleunigt die Scan­aus­wer­tung und erkennt Netz­haut­erkrankungen früher

Forschende der Washington University School (WashU) of Medicine in St. Louis haben gemeinsam mit Kollegen der University of Washington in Seattle sowie von Genentech, Inc. ein KI-gestütztes System zur Analyse oph­thal­mo­lo­gi­scher Bilddaten entwickelt. Die Technologie namens OCTCube-M soll die Auswertung von Scans beschleunigen und Ärzte dabei unterstützen, bereits subtile Anzeichen von Augen­erkrankungen frühzeitig zu erkennen. OCTCube-M umfasst eine Familie von drei KI-Modellen. Diese sind darauf ausgelegt, drei­di­men­si­o­nale Netz­haut­auf­nah­men und weitere augen­me­di­zi­ni­sche Bilddaten auszuwerten und zu inter­pre­tie­ren.

In ihren Unter­su­chun­gen zeigte sich, dass das neue KI-System acht verschiedene Netz­haut­erkrankungen – darunter die alters­be­dingte Makula­degeneration – präziser erkennen konnte als bisherige Modelle. Zudem sagte es das Fortschreiten der geografischen Atrophie genauer voraus. Die Ergebnisse zur Technologie in ihrer For­schungs­phase wurden im Fachjournal „Nature Biomedical Engineering” ver­öf­fent­licht.

Darüber hinaus zeigte die Studie, dass das Modell Gesund­heits­ri­si­ken über das Auge hinaus ableiten und allein anhand von Netz­haut­bil­dern Ereignisse wie Herzinfarkt, Schlaganfall und Nie­ren­ver­sa­gen vorhersagen kann. „Das Modell hat das Potenzial, eine einfache Augen­un­ter­su­chung in ein leis­tungs­star­kes Instrument zu verwandeln, das dabei hilft, Erkrankungen jenseits des Auges zu erkennen“, erklärte Dr. Aaron Lee, Mitautor der Studie. Er ist Arthur W. Stickle Distinguished Professor für Augen­heil­kunde und Seh­wis­sen­schaf­ten. Außerdem ist er Leiter der John F. Hardesty, MD-Abteilung für Augen­heil­kunde und Seh­wis­sen­schaf­ten an der WashU Medicine. „Es eröffnet Mög­lich­kei­ten für eine früh­zei­ti­gere Erkennung, eine präzisere Überwachung und potenziell bessere Behand­lungs­er­geb­nisse für Patienten, bei denen die Diagnose andernfalls erst gestellt würde, wenn ihre Erkrankung bereits weit fort­ge­schrit­ten ist.“

Eine Diagnose – die Nadel im Heuhaufen der Daten

Da sich Erkrankungen oft in allen drei Dimensionen um die Fovea herum ausbreiten, stellten die Forschenden die Hypothese auf, dass das Trainieren von Modellen auf 3D-Bildern voll­stän­di­gere und genauere Einblicke in das Gewebe liefern würde. Zu diesem Zweck wurden mehr als 26.000 3D-Bilder der optischen Kohärenz­tomographie verwendet. Diese bestanden aus 1,62 Millionen einzelnen Netz­haut­schich­ten – Quer­schnitts­bil­der der Netzhaut. Sie wurden zum Trainieren von OCTCube-M eingesetzt.

Im Vergleich zu einem auf 2D-Bildern trainierten Modell iden­ti­fi­zierte OCTCube-M sechs der acht Netz­haut­erkrankungen um etwa vier bis sechs Prozentpunkte genauer. Das bedeutet, dass das Tool bei 1000 Personen mit Augen­erkrankungen 43 bis 60 zusätzliche Fälle erkennt. Dies galt für Scans von Personen an verschiedenen klinischen Standorten, mit unter­schied­lichen Bild­ge­bungs­ver­fah­ren und bei verschiedenen Pati­en­ten­grup­pen.

Zu den acht vom Modell iden­ti­fi­zierten Erkrankungen zählen schwer­wie­gende Leiden, die vor allem den Augen­hin­ter­grund betreffen, darunter die Netzhaut und den Sehnerv. Zusammen sind sie die Hauptursachen für Sehverlust. Außerdem stehen sie im Zusammenhang mit anderen Erkrankungen wie Diabetes, Bluthochdruck und Herz-Kreislauf-Erkrankungen.

Kombination mehrerer Bild­ge­bungs­ver­fah­ren verbessert Prognosen

Anschließend wurde das 3D-Modell von dem Biotech-Unternehmen Genentech angepasst. Sie fügten Daten aus zwei weiteren bildgebenden Verfahren, der Infrarot-Netz­haut­bild­ge­bung und der Fundus-Autoflu­o­res­zenz-Bildgebung, für das Auge hinzu.

Durch die Kombination der optischen Kohärenz­tomographie mit einer oder beiden der anderen Bild­ge­bungs­ar­ten können die KI-Modelle ein voll­stän­di­geres Bild des Auges erstellen. Gleichzeitig wird ein tieferes Verständnis dafür vermittelt, was im Inneren vor sich geht, erklärte Lee. Tatsächlich zeichnete sich das auf allen drei Bild­ge­bungs­ar­ten trainierte Modell bei der Vorhersage der Wachstumsrate der geografischen Atrophie aus. Es übertraf das derzeitige Modell um durch­schnitt­lich fast 50 Prozent.

„Indem wir besser vorhersagen können, wie schnell sich die Krankheit verschlimmert, können wir kleinere, effizientere Studien durchführen“, so Lee. „Das könnte die Kosten senken, die Zeit für die Erprobung neuer Therapien verkürzen, die Zahl der Menschen reduzieren, die unwirksamen Behandlungen ausgesetzt sind, und dazu beitragen, dass wirksame Medikamente schneller zu den Patienten gelangen.“

Als Nächstes werden die Forscher von WashU Medicine OCTCube-M mit größeren Datensätzen trainieren. Diese umfassen mehr Patienten, mehr Krankheiten und noch mehr Arten von Bilddaten, um das Modell weiter zu verbessern.

Quelle: biermann-medizin.de