Neues KI-Tool für die ophthalmologische Bildgebungsanalyse: Biomarker-Charakterisierung schon während der Patientenkonsultation

Ein neues Machine Learning Tool, das die Universitätsklinik für Augenheilkunde am Inselspital und das ARTORG Center der Universität Bern entwickelt haben, soll Künstliche Intelligenz (KI) der klinischen Anwendung für Augenerkrankungen näher bringen.

Die in Nature Scientific Reports veröffentlichte neuartige Methode extrahiert nach Angaben der Universität Bern aus umfangreichen Bilddaten zuverlässig klinisch relevante Informationen. Basierend auf einem Convolutional Neural Network (CNN) liefert das Tool dem Arzt noch während einer Patientenkonsultation in Sekundenschnelle Ergebnisse einer umfassenden Bildanalyse.

Moderne medizinische Bildgebung ermöglicht das engmaschige Monitoring chronischer Augenerkrankungen. Augenärzte entscheiden sich hierzu vor allem für die Optische Kohärenztomographie, ein bildgebendes Verfahren, das 3-D-Bilder des Auges mit extrem hoher Auflösung erzeugt. Aber ohne KI-Unterstützung übersteigt die große Menge an Bildern und Informationen die Kapazität der einzelnen Experten. Die Herausforderung der vorliegenden Studie bestand darin, so die betont die Universität Bern, KI bereitzustellen, die eine große augenheilkundliche Datenmenge mit hoher Geschwindigkeit analysieren kann, um während der Patientenkonsultation die Nutzung aller verfügbaren Informationen aus der Bildanalyse zu ermöglichen.

Ein Forschungsteam des Labors Artificial Intelligence in Medical Imaging (AIMI) am ARTORG Center for Biomedical Engineering Research der Universität Bern sowie der Universitätsklinik für Augenheilkunde am Inselspital, Universitätsspital Bern, präsentiert ein Machine Learning Tool, das in der Lage ist, “eine breite Palette von Biomarkern aus OCT-Scans der Netzhaut zu identifizieren und unverzüglich klinisch relevante Daten zu liefern.”

KI entdeckt Biomarker für jeden Krankheitstyp
“In unserem Ansatz klassifiziert die KI OCT-Scans auf der Basis von krankheitstypischen Biomarkern”, erklärt Prof. Raphael Sznitman, Leiter des AIMI-Labors am Artorg. Biomarker sind Orientierungspunkte und Merkmale in OCT-Scans, die auf eine Krankheit hinweisen oder nach der Behandlung eine Verschlechterung oder Verbesserung anzeigen können. “Was unsere Ergebnisse auszeichnet, ist, dass unser KI-Algorithmus eine umfassende Biomarker-Charakterisierung vornimmt und die Scans auf der Grundlage von gut untersuchten und bekannten klinischen Indikationen klassifiziert. Dabei identifiziert unsere Methode diese Biomarker autonom, also ohne dass ein ausgebildeter Augenarzt die Strukturen, auf die sich die Technologie konzentrieren soll, vorher markieren muss.”

3-D-Bildgebung überwacht Makulaerkrankungen
Die weltweit häufigsten Augenerkrankungen gehen mit schädlichen Einflüssen einher, die zu einer Degeneration der Makula und letztlich zum Erblinden führen. Prof. Sebastian Wolf, Direktor und Chefarzt der Universitätsklinik für Augenheilkunde am Inselspital, setzt OCT-Scans zur Therapie chronischer Netzhauterkrankungen wie der altersbedingten Makuladegeneration oder des Diabetischen Makulaödems ein. “Da die Patientenzahlen steigen, müssen automatisierte KI-Tools im klinischen Umfeld entwickelt werden, um Ärztinnen und Ärzte bei der Analyse der umfangreichen Daten von OCT-Scans zu unterstützen”, sagt Wolf und ergänzt: “Genaue, umfassende Informationen aus der Analyse von Patienten-OCTs während der Konsultation sind der Schlüssel zu einem künftig besseren Management solcher Erkrankungen. Das hier vorgestellte Tool ist ein wichtiger Schritt zur Erreichung des Ziels einer besseren Versorgung von Patientinnen und Patienten mit chronischen Augenleiden.”

Machine Learning macht die Bilderfülle auswertbar
Computerprogramme können aus der wachsenden Anzahl routinemäßig generierter OCT-Scans automatisch die wichtigsten Informationen extrahieren, zusammenfassen und präsentieren, um Augenärzte im klinischen Alltag oder in der Forschung zu unterstützen. “Unsere automatisierte Analyse kann für Ärzte ein kostengünstiges und zuverlässiges Werkzeug sein, statt jedes Bild manuell durchgehen zu müssen”, sagt Thomas Kurmann, Doktorand am ARTORG AIMI-Labor. “Unsere bisherigen Ergebnisse zeigen, dass unsere Künstliche Intelligenz die häufigsten Krankheitstypen konsequent und mit großer Präzision automatisch klassifizieren und eine breite Palette von Biomarkern identifizieren kann, die typischerweise in krankhaft veränderten Augenscans gefunden werden.”

Publikation:
Thomas Kurmann, Siqing Yu, Pablo Márquez-Neila, Andreas Ebneter, Martin Zinkernagel, Marion R. Munk, Sebastian Wolf, Raphael Sznitman: Expert-level Automated Biomarker Identification in Optical Coherence Tomography Scans. Scientific Reports 2019. DOI: 10.1038/s41598-019-49740-7

Link zur Studie: https://www.nature.com/articles/s41598-019-49740-7

Quelle: Universität Bern