Auswertung von Fundusfotografien mittels Deep Learning zur Bewertung neurologischer Dysfunktionen bei Parkinson

NEUROOPHTHA Suwon – Bei Patienten mit Parkinson-Krankheit (PD) gibt es neben komplexen neurologischen Tests bisher keine leicht zugänglichen und zuverlässigen Indikatoren für neurologische Funktionsstörungen. Die vorliegende Arbeit wurde durchgeführt, um die Rolle der Fundusfotografie als nicht-invasives und leicht verfügbares Instrument zur Beurteilung neurologischer Dysfunktionen bei Parkinson-Patienten unter Verwendung von Deep-Learning-Methoden zu untersuchen. Sangil Ahn vom Department of Electrical and Computer Engineering der Sungkyunkwan University in Suwon, Korea, hat in Zusammenarbeit mit neurologischen und ophthalmologischen Forschern aus Korea einen Algorithmus entwickelt, der anhand von Fundusfotografien den Wert der Hoehn- und Yahr-Skala (H-Y) und der Unified Parkinson’s Disease Rating Scale Part III (UPDRS-III) bei Parkinson-Patienten vorhersagen kann. In einem einzelnen Krankenhaus der Tertiärversorgung wurde ein prospektives entscheidungsanalytisches Modell entwickelt. Die Fundusfotos von Probanden mit PD und Probanden mit atypischen motorischen Anomalien ohne PD, die zwischen dem 7. Oktober 2020 und dem 30. April 2021 die neurologische Abteilung des Samsung Kangbuk Krankenhauses aufsuchten, wurden in dieser Studie analysiert und ein konvolutionelles neuronales Netzwerk wurde entwickelt, um sowohl die H-Y-Skala als auch den UPDRS-III-Score basierend auf den Ergebnissen der Fundusfotos und den demographischen Merkmalen der Probanden vorherzusagen. Sowohl für die Datensätze der internen als auch der externen Validierung wurde die Fläche unter der Receiver Operating Characteristic Curve (AUROC) für Sensitivitäts- und Spezifitätsanalysen berechnet. Insgesamt wurden 615 Personen in die Studie eingeschlossen: 266 hatten eine PD (43,3%; mittleres Alter 70,8 Jahre; 134 männlich [50,4%]) und 349 hatten keine PD, aber atypische motorische Auffälligkeiten (56,7%; mittleres Alter 70,7 Jahre; 236 weiblich [67,6%]). Für den internen Validierungsdatensatz betrug die Sensitivität 83,23% und 82,61% für die H-Y-Skala bzw. den UPDRS-III-Score. Die Spezifität betrug 66,81% für die H-Y-Skala und 65,75% für den UPDRS-III-Score. Für den externen Validierungsdatensatz betrug die Sensitivität 70,73% und die Spezifität 66,66%. Der berechnete AUROC und die Genauigkeit betrugen 0,67 bzw. 70,45%. Wie die Autoren in der März-Ausgabe 2023 von JAMA OPHTHALMOLOGY berichten, kombiniert dieses entscheidungsanalytische Modell Einblicke in die neurologische Dysfunktion bei PD-Patienten mit Informationen darüber, wie eine Deep-Learning-Methode zur Bewertung der Assoziation zwischen Netzhaut und Gehirn eingesetzt werden kann. Weitere Studiendaten könnten helfen, aktuelle Forschungsergebnisse zu pathologischen Dopamin-Kaskaden zwischen Netzhaut und Gehirn bei Parkinson-Patienten zu klären, jedoch sei weitere Forschung erforderlich, um die klinische Bedeutung dieses Algorithmus zu erweitern. (bs)

Autoren: Ahn S, Shin J, Song SJ, Yoon WT, Sagong M, Jeong A, Kim JH, Yu HG. Korrespondenz: Sangil Ahn, Department of Electrical and Computer Engineering, Sungkyunkwan University, Suwon, Republic of Korea. E-Mail: ahmedsallam11@yahoo.com Studie: Neurologic Dysfunction Assessment in Parkinson Disease Based on Fundus Photographs Using Deep Learning. Quelle: JAMA Ophthalmol. 2023 Mar 1;141(3):234-240. doi: 10.1001/jamaophthalmol.2022.5928. PMID: 36757713; PMCID: PMC9912166. Web: https://jamanetwork.com/journals/jamaophthalmology/article-abstract/2801302