Neues KI-System: Diagnose von Netzhauterkrankungen beschleunigen

Ein neues KI-System analysiert Augen-Scans schneller und erkennt Netzhauterkrankungen präziser als bisherige Modelle, wie eine US-amerikanische Studie zeigt.

Nichtinvasive Augen-Scans liefern detaillierte 3D-Aufnahmen des Augeninneren und unterstützen die Diagnose sehgefährdender Erkrankungen. Die Auswertung der dabei entstehenden großen Bildmengen ist jedoch zeitaufwendig und kann fehleranfällig sein.

KI-System beschleunigt die Scanauswertung und erkennt Netzhauterkrankungen früher

Forschende der Washington University School (WashU) of Medicine in St. Louis haben gemeinsam mit Kollegen der University of Washington in Seattle sowie von Genentech, Inc. ein KI-gestütztes System zur Analyse ophthalmologischer Bilddaten entwickelt. Die Technologie namens OCTCube-M soll die Auswertung von Scans beschleunigen und Ärzte dabei unterstützen, bereits subtile Anzeichen von Augenerkrankungen frühzeitig zu erkennen. OCTCube-M umfasst eine Familie von drei KI-Modellen. Diese sind darauf ausgelegt, dreidimensionale Netzhautaufnahmen und weitere augenmedizinische Bilddaten auszuwerten und zu interpretieren.

In ihren Untersuchungen zeigte sich, dass das neue KI-System acht verschiedene Netzhauterkrankungen – darunter die altersbedingte Makuladegeneration – präziser erkennen konnte als bisherige Modelle. Zudem sagte es das Fortschreiten der geografischen Atrophie genauer voraus. Die Ergebnisse zur Technologie in ihrer Forschungsphase wurden im Fachjournal „Nature Biomedical Engineering” veröffentlicht.

Darüber hinaus zeigte die Studie, dass das Modell Gesundheitsrisiken über das Auge hinaus ableiten und allein anhand von Netzhautbildern Ereignisse wie Herzinfarkt, Schlaganfall und Nierenversagen vorhersagen kann. „Das Modell hat das Potenzial, eine einfache Augenuntersuchung in ein leistungsstarkes Instrument zu verwandeln, das dabei hilft, Erkrankungen jenseits des Auges zu erkennen“, erklärte Dr. Aaron Lee, Mitautor der Studie. Er ist Arthur W. Stickle Distinguished Professor für Augenheilkunde und Sehwissenschaften. Außerdem ist er Leiter der John F. Hardesty, MD-Abteilung für Augenheilkunde und Sehwissenschaften an der WashU Medicine. „Es eröffnet Möglichkeiten für eine frühzeitigere Erkennung, eine präzisere Überwachung und potenziell bessere Behandlungsergebnisse für Patienten, bei denen die Diagnose andernfalls erst gestellt würde, wenn ihre Erkrankung bereits weit fortgeschritten ist.“

Eine Diagnose – die Nadel im Heuhaufen der Daten

Da sich Erkrankungen oft in allen drei Dimensionen um die Fovea herum ausbreiten, stellten die Forschenden die Hypothese auf, dass das Trainieren von Modellen auf 3D-Bildern vollständigere und genauere Einblicke in das Gewebe liefern würde. Zu diesem Zweck wurden mehr als 26.000 3D-Bilder der optischen Kohärenztomographie verwendet. Diese bestanden aus 1,62 Millionen einzelnen Netzhautschichten – Querschnittsbilder der Netzhaut. Sie wurden zum Trainieren von OCTCube-M eingesetzt.

Im Vergleich zu einem auf 2D-Bildern trainierten Modell identifizierte OCTCube-M sechs der acht Netzhauterkrankungen um etwa vier bis sechs Prozentpunkte genauer. Das bedeutet, dass das Tool bei 1000 Personen mit Augenerkrankungen 43 bis 60 zusätzliche Fälle erkennt. Dies galt für Scans von Personen an verschiedenen klinischen Standorten, mit unterschiedlichen Bildgebungsverfahren und bei verschiedenen Patientengruppen.

Zu den acht vom Modell identifizierten Erkrankungen zählen schwerwiegende Leiden, die vor allem den Augenhintergrund betreffen, darunter die Netzhaut und den Sehnerv. Zusammen sind sie die Hauptursachen für Sehverlust. Außerdem stehen sie im Zusammenhang mit anderen Erkrankungen wie Diabetes, Bluthochdruck und Herz-Kreislauf-Erkrankungen.

Kombination mehrerer Bildgebungsverfahren verbessert Prognosen

Anschließend wurde das 3D-Modell von dem Biotech-Unternehmen Genentech angepasst. Sie fügten Daten aus zwei weiteren bildgebenden Verfahren, der Infrarot-Netzhautbildgebung und der Fundus-Autofluoreszenz-Bildgebung, für das Auge hinzu.

Durch die Kombination der optischen Kohärenztomographie mit einer oder beiden der anderen Bildgebungsarten können die KI-Modelle ein vollständigeres Bild des Auges erstellen. Gleichzeitig wird ein tieferes Verständnis dafür vermittelt, was im Inneren vor sich geht, erklärte Lee. Tatsächlich zeichnete sich das auf allen drei Bildgebungsarten trainierte Modell bei der Vorhersage der Wachstumsrate der geografischen Atrophie aus. Es übertraf das derzeitige Modell um durchschnittlich fast 50 Prozent.

„Indem wir besser vorhersagen können, wie schnell sich die Krankheit verschlimmert, können wir kleinere, effizientere Studien durchführen“, so Lee. „Das könnte die Kosten senken, die Zeit für die Erprobung neuer Therapien verkürzen, die Zahl der Menschen reduzieren, die unwirksamen Behandlungen ausgesetzt sind, und dazu beitragen, dass wirksame Medikamente schneller zu den Patienten gelangen.“

Als Nächstes werden die Forscher von WashU Medicine OCTCube-M mit größeren Datensätzen trainieren. Diese umfassen mehr Patienten, mehr Krankheiten und noch mehr Arten von Bilddaten, um das Modell weiter zu verbessern.

(sas/BIERMANN)