Vorteile eines „Modell-zu-Daten“-Ansatzes für Deep-Learning-Projekte in der Augenheilkunde

MEDICAL RETINA Boston – mechentel news – Während sich ein explosionsartiges Interesse an Deep Learning in der Medizin ausbreitet, gewinnen Bedenken hinsichtlich Datenschutzes, Sicherheit und Weitergabe von Daten zunehmend an Bedeutung. Ein „Modell-zu-Daten“-Ansatz, bei dem das Modell selbst anstelle von Daten übertragen wird, kann viele dieser Herausforderungen umgehen, wurde jedoch in der Augenheilkunde bisher nicht demonstriert. Die Autoren um Nihaal Mehta aus dem New England Eye Center am Tufts Medical Center in Boston im Bundesstaat Massachusetts, USA, wollten überprüfen, ob ein „Modell-zu-Daten“-Deep-Learning-Ansatz (d.h. die Validierung eines Algorithmus ohne Datenübertragung) in der Augenheilkunde angewendet werden kann. Die Querschnittsstudie aus einem Zentrum umfasste Patienten mit aktiver exsudativer altersbedingter Makuladegeneration, die sich vom 1. August 2018 bis 28. Februar 2019 am New England Eye Center einer optischen Kohärenztomographie (OCT) unterzogen. Die Daten wurden hauptsächlich vom 1. März bis 20. Juni 2019 analysiert. Hauptziel war das Training eines Deep-Learning-Modells unter Verwendung eines „Modell-zu-Daten“-Ansatzes zur Erkennung von intraretinaler Flüssigkeit (IRF) bei OCT-B-Scans. Das Modell wurde mit 400 OCT-B-Scans von 128 Teilnehmern (69 Frauen und 59 Männer; mittleres Alter 77,5 Jahre) trainiert (Dice-Koeffizient der Lernkurve >80%). Beim Vergleich des Modells mit der manuellen menschlichen Einstufung von IRF-Taschen ergab sich kein statistisch signifikanter Unterschied in den Dice-Koeffizienten oder den IoU(intersection over union)-Scores (p >0,05). Die Autoren halten daher in der Oktober-Ausgabe 2020 des JAMA OPHTHALMOLOGY fest, dass ein in der Augenheilkunde angewandter „Modell-zu-Daten“-Ansatz für Deep Learning viele der traditionellen Hürden beim umfänglichen Deep Learning vermeidet, einschliesslich Bedenken hinsichtlich Datenaustausch, Sicherheit und Datenschutz. Obwohl die klinische Relevanz dieser Ergebnisse derzeit begrenzt sei, lege diese Proof-of-Concept-Studie nahe, dass ein solches Paradigma in grösseren multizentrischen Deep-Learning-Studien weiter untersucht werden sollte.(bs)

Autoren: Mehta N, Lee CS, Mendonça LSM, Raza K, Braun PX, Duker JS, Waheed NK, Lee AY. Korrespondenz: Aaron Y. Lee, MD, MSCI, Department of Ophthalmology, University of Washington, 325 Ninth Ave, PO Box 359608, Seattle, WA 98104, USA. E-Mail: leeay@uw.edu Studie: Model-to-Data Approach for Deep Learning in Optical Coherence Tomography Intraretinal Fluid Segmentation. Quelle: JAMA Ophthalmol. 2020 Oct 1;138(10):1017-1024. doi: 10.1001/jamaophthalmol.2020.2769. PMID: 32761143; PMCID: PMC7411940. Web: https://jamanetwork.com/journals/jamaophthalmology/fullarticle/10.1001/jamaophthalmol.2020.2769