Deep-Learning-Prozesse zur automatisierten Auswertung von SD-OCT-Bildern bei AMD vielversprechend

MEDICAL RETINA Münster – mechentel news – Gegenstand der Arbeit von Maximilian Treder, Jost L. Lauermann und Nicole Eter aus der Klinik für Augenheilkunde des Universitätsklinikums Münster war es, Deep Learning für die automatisierte Erkennung der altersbedingten Makuladegeneration (AMD) in der Spektral-Domänen Optischen Kohärenztomographie (SD-OCT) zu nutzen. Insgesamt wurden 1.112 SD-OCT-Querschnittsbilder von Patienten mit exsudativer AMD und einer gesunden Kontrollgruppe für diese Studie verwendet. Im ersten Schritt wurde ein Open-Source Multi-Layer Deep Convolutional Neural Network (DCNN), das mit 1,2 Millionen Bildern von ImageNet vortrainiert worden war, mit 1.012 SD-OCT-Querschnitt-Scans (AMD: 701; gesund: 311) trainiert und validiert. Während dieses Verfahrens wurden die Trainingsgenauigkeit, die Validierungsgenauigkeit und die Cross-Entropie berechnet. Das Open-Source Deep-Learning-Framework TensorFlow™ (Google Inc., Mountain View, CA, USA) wurde zur Beschleunigung des Deep-Learning-Prozesses eingesetzt. Im letzten Schritt wurde der generierte DCNN-Klassifikator, der die Informationen des oben erwähnten Deep-Learning-Verfahrens nutzte, durch Identifikation von 100 nicht trainierten SD-OCT-Querschnittsbildern (AMD: 50; gesund: 50) getestet. Dafür wurde ein AMD-Test-Score berechnet: 0,98 oder höher galt als AMD. Nach Wiederholung von 500 Trainingsschritten war die Trainingsgenauigkeit und die Validierungsgenauigkeit 100% und die Kreuz-Entropie betrug 0,005. Die durchschnittlichen AMD-Scores lagen in der AMD-Testgruppe bei 0,997 ± 0,003 und in der gesunden Vergleichsgruppe bei 0,9203 ± 0,085. Der Unterschied zwischen den beiden Gruppen war hochsignifikant (p < 0,001). Die Autoren fassen in der Februar-Ausgabe von Graefe’s Archive for Clinical and Experimental Ophthalmology zusammen, dass es mit einem Deep-Learning basierten Ansatz unter Verwendung von TensorFlow™ möglich ist, AMD im SD-OCT mit hoher Sensitivität und Spezifität zu erkennen. Mit mehr Bilddaten wäre eine Erweiterung dieses Klassifikators für andere Makulaerkrankungen oder weitere Details bei AMD möglich, womit sich eine Anwendung dieses Modells als Unterstützung bei klinischen Entscheidungen anbieten würde. Eine andere mögliche zukünftige Anwendung würde die individuelle Prognose des Progresses und des therapeutischen Erfolgs für verschiedene Erkrankungen beinhalten, indem versteckte Bildinformationen automatisch detektiert werden. (bs)

Autoren: Treder M, Lauermann JL, Eter N. Korrespondenz: Maximilian Treder, Klinik für Augenheilkunde, Universitätsklinikum Münster, Domagkstrasse 15, 48149 Münster, Deutschland. E-Mail: maximilian.treder@ukmuenster.de Studie: Automated detection of exudative age-related macular degeneration in spectral domain optical coherence tomography using deep learning. Quelle: Graefes Arch Clin Exp Ophthalmol. 2018 Feb;256(2):259-265. doi: 10.1007/s00417-017-3850-3. Web: https://link.springer.com/article/10.1007%2Fs00417-017-3850-3