OCT-basierte Deep-Learning-Prozesse als Unterstützung im Entscheidungsfindungsprozess des behandelnden Arztes

MEDICAL RETINA Regensburg – mechentel news – Intravitreale Injektionen mit anti-vaskulärem endothelialen Wachstumsfaktor(Anti-VEGF)-Medikamenten haben sich zur Standardtherapie ihrer jeweiligen Indikationen entwickelt. Optische Kohärenztomographie(OCT)-Scans der zentralen Netzhaut liefern detaillierte anatomische Daten und werden von Klinikern häufig im Entscheidungsprozess der Anti-VEGF-Indikation genutzt. In den letzten Jahren wurden bedeutende Fortschritte in der Forschung zu künstlicher Intelligenz und Computer-Vision erzielt. Die Autoren um Philipp Prahs aus der Augenklinik der Universität Regensburg, Deutschland, trainierten ein künstliches konvolutionelles neuronales Netzwerk, um die Therapieindikation basierend auf zentralen retinalen OCT-Scans ohne menschliches Eingreifen zu prognostizieren. Insgesamt 183.402 zwischen 2008 und 2016 erstellte, retinale OCT-B-Scans, wurden aus dem hauseigenen Bildarchiv eines Universitätsklinikums exportiert. Die OCT-Bilder wurde mit den hausinternen elektronischen intravitrealen Injektionsprotokollen verknüpft. OCT-Bilder mit einer nachfolgenden intravitrealen Injektion während der ersten 21 Tage nach der Bilderstellung wurden der Gruppe „Injektion“ zugeordnet, während die gleiche Anzahl randomisierter OCT-Bilder ohne intravitreale Injektionen als „keine Injektion“ bezeichnet wurde. Nach der Bildvorverarbeitung wurden die OCT-Bilder im Verhältnis 9:1 in Trainings- und Testdatensätze aufgeteilt. Ein GoogLeNet Inception-Deep-Convolutional-Neuronal-Network wurde trainiert und dessen Leistung anhand des Validierungsdatensatzes getestet. Vorhersagegenauigkeit, Sensitivität, Spezifität und die Beobachterkennlinie wurden berechnet. Das Deep-Convolutional-Neuronal-Network wurde erfolgreich anhand der extrahierten klinischen Daten trainiert. Der trainierte neuronale Netzwerkklassifikator erreichte eine Vorhersagegenauigkeit von 95,5% bei den Bildern des Validierungsdatensatzes. Für einzelne Bilder der Netzhaut-B-Scans im Validierungsdatensatz wurde eine Sensitivität von 90,1% und eine Spezifität von 96,2% erreicht. Die Fläche unter der Beobachterkennlinienkurve betrug 0,968 pro B-Scan-Bildbasis und 0,988 durch Mittelwertbildung über sechs B-Scans pro Untersuchung im Validierungsdatensatz. Die Autoren stellen in der Januar-Ausgabe 2018 von Graefe’s Archive for Clinical and Experimental Ophthalmology dar, dass mehrschichtige künstliche neuronale Netzwerke eine beeindruckende Leistung bei der Klassifikation von retinalen OCT-Scans zeigen. Nach dem Training anhand früher erhobener klinischer Daten können maschinelle Lernmethoden dem Kliniker Unterstützung im Entscheidungsfindungsprozess bieten. Die Autoren betonen dabei, dass darauf geachtet werden sollte, dass die Ausgabe des neuronalen Netzwerks nicht als Behandlungsempfehlung missverstanden und eine abschliessende gründliche Bewertung durch den behandelnden Arzt sichergestellt wird. (bs)

Autoren: Prahs P, Radeck V, Mayer C, Cvetkov Y, Cvetkova N, Helbig H, Märker D. Korrespondenz: Philipp Prahs, Klinik und Poliklinik für Augenheilkunde, Universitätsklinikum Regensburg, Franz-Josef-Strauss-Allee 11, 93042 Regensburg, Deutschland. E-Mail: philipp.prahs@ukr.de Studie: OCT-based deep learning algorithm for the evaluation of treatment indication with anti-vascular endothelial growth factor medications. Quelle: Graefes Arch Clin Exp Ophthalmol. 2018 Jan;256(1):91-98. doi: 10.1007/s00417-017-3839-y. Web: https://link.springer.com/article/10.1007%2Fs00417-017-3839-y