- Anzeige -
News

Künstliche Intelligenz

Deep Learning verbessert Screening von diabetischer Retinopathie

17.5.2022

Ein gut trainiertes Deep-Learning-System kann diabetische Retinopathien bis zu zwei Jahre vor Eintritt vorhersagen. Ein solches System hat eine Gruppe aus thailändischen und US-amerikanischen Forschern vorgestellt.

Mehr als ein Fünftel aller Diabetiker sind von Netzhaut- und Makulamanifestationen der Zuckerkrankheit betroffen ‒ die diabetische Retinopathie ist die häufigste Ursache für Blindheit und hochgradigen Sehverlust. Die präventive Rolle der Ophthalmologie zur Verhinderung von Blindheit ist bekannt und unumstritten, das Screening aber nur lückenhaft in der Versorgung realisiert. Die Ausweitung des Screenings ist jedoch auch in anderen Ländern eine Herausforderung. Ein Deep-Learning-System soll da helfen. Deep Learning bezeichnet eine Art maschinellen Lernens, bei dem ein Computer große Datenmengen verarbeitet und künstliche neuronale Netze bildet. Auf die Art können Künstliche Intelligenzen Bilder erkennen und Texte verstehen.

Die Forscher haben zwei Versionen eines Deep-Learning-Systems erstellt und validiert, um die Entwicklung einer diabetischen Retinopathie bei Patienten mit Diabetes vorherzusagen, die ein teleretinales diabetisches Retinopathie-Screening in einer Primärversorgungsumgebung erhalten hatten. In den USA gibt es mehrere Anbieter, die solche konsiliarische telemedizinische Fachberatung anbieten, wobei die Kunden jeweils geeignete Geräte zur Fundusfotografie verwenden. Die Daten der beiden Versionen stammten entweder aus einem Satz von Fundus-Farbfotografien mit drei Feldern oder mit einem Feld. Insgesamt standen 575.431 Augenaufnahmen bei der Entwicklung zur Verfügung, 28.899 davon mit bekannten Diagnosen. Mit den übrigen Fundusfotos wurde der Trainingsprozess durch Multitasking-Lernen durchgeführt. Die Validierung wurde an einer Augenaufnahme (zufällig ausgewählt) pro Patienten aus zwei Datensätzen durchgeführt: einem internen Validierungssatz (EyePACS) mit 3.678 Augenaufnahmen und einem externen Validierungssatz (aus Thailand) mit 2.345 Aufnahmen, jeweils mit bekannten Diagnosen.

"Unabhängig von Risikofaktoren"

Das Drei-Felder-Deep-Learning-System hatte im internen Validierungssatz eine Fläche unter der Grenzwertoptimierungskurve (AUC) von 0,79 (95%-KI 0,77‒0,81). Die Bewertung des externen Validierungssatzes ‒ der nur Einfeld-Farb-Fundusfotografien enthielt ‒ mit dem Einfeld-Deep-Learning-System ergab eine AUC von 0,70 (0,67‒0,74). Im internen Validierungsset betrug die AUC der verfügbaren Risikofaktoren 0,72 (0,68‒0,76), die sich nach Kombination des Deep-Learning-Systems mit den Risikofaktoren auf 0,81 (0,77‒0,84) verbesserte (p<0,0001). Im externen Validierungsset verbesserte sich die entsprechende AUC von 0,62 (0,58‒0,66) auf 0,71 (0,68‒0,75; p<0,0001) nach Ergänzung des Deep-Learning Systems mit den verfügbaren Risikofaktoren.

Die Autoren kommen zu dem Schluss, dass ihre beiden Deep-Learning-Systeme die Entwicklung einer diabetischen Retinopathie anhand von Fundus-Farbfotos voraussagen. Und dass die Systeme sowohl unabhängig von verfügbaren Risikofaktoren waren als auch informativer als diese. Aus ihrer Sicht könnten solche Tools zur Risikostratifizierung dabei helfen, die Screening-Intervalle zu optimieren, um die Kosten zu senken und gleichzeitig die sehfähigkeitsbezogenen Ergebnisse bei Diabetikern zu verbessern.

Bora A et al., Lancet Digit Health 2021 Jan; 3(1): e10‒e19, DOI 10.1016/S2589-7500(20)30250-8, PMID 33735063

No items found.
Lesen Sie mehr und loggen Sie sich jetzt mit Ihrem DocCheck-Daten ein.
Der weitere Inhalt ist Fachkreisen vorbehalten. Bitte authentifizieren Sie sich mittels DocCheck.
- Anzeige -

Das könnte Sie auch interessieren

123-nicht-eingeloggt