Hervorragende Ergebnisse eines lernbasierten Algorithmus zur automatischen Klassifizierung von GA

MEDICAL RETINA Münster – mechentel news – An der Augenklinik der Universität Münster, Deutschland beschäftigten sich Maximilian Treder, Jost L. Lauermann und Nicole Eter mit der automatischen Erkennung und Klassifizierung geographischer Atrophie (GA) in Fundus-Autofluoreszenz(FAF)-Bildern mittels eines Deep-Learning-Algorithmus. In der Studie wurden FAF-Bilder von Patienten mit GA, einer gesunden Vergleichsgruppe und einer vergleichbaren Gruppe mit anderen Netzhauterkrankungen (ORDs) verwendet, um ein mehrschichtiges tiefes Konvolutionelles Neuronales Netzwerk (Deep Convolutional Neural Network, DCNN) erstens zu trainieren, GA zu erkennen und zweitens um zu unterscheiden, ob es sich bei der GA in den FAF-Bildern um einen „diffus-trickling“-Typ (dt-GA) oder ein anderes GA-FAF-Muster (ndt-GA) handelt. Für die automatische Erkennung von GA in FAF-Bildern wurden zwei Klassifikatoren erstellt (GA vs. gesund / GA vs. ORD). Das DCNN wurde jeweils mit 400 FAF-Bildern trainiert und validiert (GA 200, Healthy 200 oder ORD 200). Für den anschliessenden Test wurden die erstellten Klassifikatoren dann jeweils mit 60 untrainierten FAF-Bildern (AMD 30, Healthy 30 oder ORD 30) getestet. Dabei erstellten beide Klassifikatoren automatisch einen Wahrscheinlichkeitswert für GA, für einen normalen FAF-Befund oder einen für ORD. Um automatisch zwischen dt-GA und ndt-GA zu unterscheiden, wurde das DCNN mit 200 FAF-Bildern trainiert und validiert (dt-GA 72; ndt-GA 138). Anschliessend wurde der erstellte Klassifikator mit 20 nicht trainierten FAF-Bildern (dt-GA 10; ndt-GA 10) getestet und ein dt-GA- sowie ein ndt-GA-Wahrscheinlichkeitswert berechnet. Für beide Klassifikatoren wurde nach 500 Trainingsschritten die Leistung des Trainings- und Validierungsverfahrens durch Bestimmung der Trainings- und der Validierungsgenauigkeit sowie der Kreuzentropie gemessen. Für die GA-Klassifikatoren (GA vs. gesund / GA vs. ORD) betrug die erreichte Trainingsgenauigkeit 99%/98%, die Validierungsgenauigkeit 96%/91% und die Kreuzentropie 0,062/0,100. Für den dt-GA-Klassifikator betrug die Trainingsgenauigkeit 99%, die Validierungsgenauigkeit 77% und die Kreuzentropie 0,166. Der durchschnittliche GA-Wahrscheinlichkeitswert betrug 0,981 (GA gegenüber gesund) / 0,972 (GA gegenüber ORD) in der GA-Bildergruppe und 0,01 (gesund) / 0,061 (ORD) in den Vergleichsgruppen (p < 0,001). Der durchschnittliche dt-GA-Wahrscheinlichkeitswert betrug 0,807 in der dt-GA-Bildergruppe und 0,180 in der ndt-GA-Bildergruppe (p < 0,001). Die Autoren fassen in der November-Ausgabe 2018 von Graefe‘s Archive for Clinical and Experimental Ophthalmology zusammen, dass ihre Arbeit zum ersten Mal die Verwendung eines tiefen lernbasierten Algorithmus zur automatischen Erkennung und Klassifizierung von GA in FAF-Bildern beschreibe. Die erstellten Klassifikatoren zeigten hierbei hervorragende Ergebnisse. Mit weiteren Entwicklungen könne dieses Modell ein Werkzeug sein, um das individuelle Progressionsrisiko von GA vorherzusagen und relevante Informationen für zukünftige therapeutische Ansätze zu liefern. (bs)

Autoren: Treder M, Lauermann JL, Eter N. Korrespondenz: Maximilian Treder, Department of Ophthalmology, University of Muenster Medical Center, Muenster, Germany. E-Mail: maximilian.treder@ukmuenster.de Studie: Deep learning-based detection and classification of geographic atrophy using a deep convolutional neural network classifier. Quelle: Graefes Arch Clin Exp Ophthalmol. 2018 Nov;256(11):2053-2060. doi: 10.1007/s00417-018-4098-2. Web: https://link.springer.com/article/10.1007%2Fs00417-018-4098-2