Neuartige Technologie der künstlichen Intelligenz verbessert die Diagnose von Augenkrankheiten

Nicht-invasive Augenscans ermöglichen Ärzten einen vergrößerten, dreidimensionalen Blick unter die Augenoberfläche, ohne dem Patienten Unbehagen oder Schmerzen zu bereiten. Die Scans werden routinemäßig in Kliniken auf der ganzen Welt eingesetzt und liefern detaillierte Ansichten einzelner Schichten des Augeninneren, um bei der Diagnose von Erkrankungen zu helfen, die das Sehvermögen gefährden. Mit diesem Maß an Präzision geht jedoch eine Datenflut einher – Hunderte von Bildern pro Scan, die Ärzte manuell überprüfen müssen, ein zeitaufwändiger Prozess, der anfällig für menschliches Versagen ist.

Jetzt haben Forscher der Washington University School of Medicine in St. Louis in Zusammenarbeit mit Kollegen der University of Washington in Seattle und Genentech, Inc. ein experimentelles System mit künstlicher Intelligenz (KI) entwickelt, das den Scan-Überprüfungsprozess beschleunigen und Ärzten helfen kann, subtile Anzeichen einer Augenerkrankung früher zu erkennen. Die OCTCube-M genannte Technologie umfasst eine Familie von drei KI-Modellen, die 3D-Bilder der Netzhaut des Auges sowie andere Arten von Augenscans lesen und interpretieren sollen.

In einer neuen Studie stellten die Forscher fest, dass das neue KI-System im Vergleich zu älteren Modellen acht verschiedene Netzhauterkrankungen genauer identifizierte, darunter die altersbedingte Makuladegeneration, eine häufige Erkrankung, die die Netzhaut schädigt und die Hauptursache für Blindheit bei Menschen über 50 ist. Außerdem waren die Vorhersagen darüber, wie schnell eine schwere Form dieser Erkrankung, die sogenannte geografische Atrophie, fortschreiten würde, genauer.

Die Ergebnisse, die die Technologie in ihrem Forschungsstadium beschreiben, wurden kürzlich in Nature Biomedical Engineering veröffentlicht.

Heutige Augenscans bieten Ärzten eine beispiellose, hochdetaillierte Sicht auf das Innere des Auges und offenbaren Strukturen und subtile Veränderungen, die sonst unentdeckt bleiben würden. Allerdings fehlen uns immer noch die Werkzeuge, die Ärzten dabei helfen, die Menge der erzeugten Bilder zu verarbeiten. Unser KI-System hat das Potenzial, Ärzte in die Lage zu versetzen, schnellere Diagnosen zu stellen, Behandlungen präziser anzupassen und klinische Studien zu entwerfen, die neue Therapien schneller zu Patienten bringen.“

Aaron Lee, MD, Co-korrespondierender Autor der Studie, der Arthur W. Stickle Distinguished Professor für Augenheilkunde und visuelle Wissenschaften und Leiter der John F. Hardesty, MD Abteilung für Augenheilkunde und visuelle Wissenschaften, WashU Medicine

Darüber hinaus zeigte die Studie, dass das Modell auf Gesundheitsrisiken schließen kann, die über das Auge hinausgehen, und Ergebnisse wie Herzinfarkt, Schlaganfall und Nierenversagen allein auf der Grundlage der Netzhautbildgebung vorhersagen kann. Die winzigen Blutgefäße in der Netzhaut ähneln anatomisch und entwicklungstechnisch denen in der Niere, und die Prozesse, die zur Plaquebildung in den Wänden der Blutgefäße führen, die Herz und Gehirn versorgen, hinterlassen auch Spuren im Auge.

„Das Modell hat das Potenzial, eine einfache Augenuntersuchung in ein leistungsstarkes Werkzeug zur Erkennung von Krankheiten außerhalb des Auges zu verwandeln“, sagte Lee. „Es öffnet die Tür zu einer früheren Erkennung, einer präziseren Überwachung und möglicherweise besseren Ergebnissen für Patienten, die sonst möglicherweise unerkannt bleiben würden, bis ihre Krankheit weit fortgeschrittener ist.“

Eine Diagnosenadel im Heuhaufen an Daten

Nach Angaben der Weltgesundheitsorganisation leiden weltweit mindestens 2,2 Milliarden Menschen an einer Sehbehinderung. Das als optische Kohärenztomographie bekannte bildgebende Verfahren hat die Diagnose und Behandlung von Erkrankungen, die zu Sehverlust führen, verändert, indem es mit einem einzigen und schnellen Scan Hunderte von Querschnittsbildern erzeugt, die zusammen ein detailliertes 3D-Bild der Netzhaut und des Sehnervs ergeben. Es kann unter anderem frühe Anzeichen verschiedener Augenerkrankungen wie Glaukom, Makuladegeneration und diabetische Retinopathie aufdecken.

KI hat sich inzwischen zu einem leistungsstarken Werkzeug für die Verarbeitung großer medizinischer Datensätze entwickelt, und Lee und Kollegen haben auf diesem Gebiet bemerkenswerte Beiträge geleistet. Vor einigen Jahren veröffentlichten sie in Nature Ergebnisse, die ein Modell beschreiben, das im Vergleich zu älteren Modellen Augenerkrankungen in zweidimensionalen Netzhautbildern besser diagnostizieren kann.

Da das Modell anhand von 2D-Tomographiebildern trainiert wurde, wollten die Forscher herausfinden, ob das Hinzufügen von 3D-Tomographiebildern die Krankheitsdiagnose und -prognose weiter verbessern könnte. Da sich die Krankheit oft in alle drei Dimensionen rund um die Fovea ausdehnt, eine kleine Vertiefung in der Mitte der Netzhaut, die für die scharfe, detaillierte Sicht verantwortlich ist, die zum Lesen von Text und Erkennen von Gesichtern erforderlich ist, stellten sie die Hypothese auf, dass das Training von Modellen auf 3D-Bildern vollständigere und genauere Ansichten des Gewebes liefern würde. Zu diesem Zweck wurden mehr als 26.000 3D-Bilder der optischen Kohärenztomographie, bestehend aus 1,62 Millionen einzelnen Netzhautschichten – Querschnittsbilder der Netzhaut – zum Training von OCTCube-M verwendet.

Im Vergleich zu dem auf 2D-Bildern trainierten Modell identifizierte OCTCube-M sechs der acht Netzhauterkrankungen um etwa vier bis sechs Prozentpunkte genauer. Das bedeutet, dass das Tool 43 bis 60 zusätzliche Fälle von 1.000 Personen mit Augenerkrankungen findet. Dies galt für Scans, die von Einzelpersonen an mehreren klinischen Standorten, Bildgebungsmodalitäten und verschiedenen Patientenpopulationen durchgeführt wurden.

Zu den acht vom Modell identifizierten Krankheiten gehören schwerwiegende Erkrankungen, die hauptsächlich den Augenhintergrund, einschließlich der Netzhaut und des Sehnervs, betreffen. Zusammen sind sie die Hauptursachen für Sehverlust und werden mit anderen Erkrankungen wie Diabetes, Bluthochdruck und Herz-Kreislauf-Erkrankungen in Verbindung gebracht.

Zu den Forschern gehören Cecilia S. Lee, MD, Jane Hardesty Poole Distinguished Professor für Augenheilkunde und visuelle Wissenschaften an der WashU Medicine; Sheng Wang, PhD, Assistenzprofessor an der Paul G. Allen School of Computer Science & Engineering der University of Washington; und Miao Zhang, PhD, ein leitender KI-Wissenschaftler beim in San Francisco ansässigen Biotech-Unternehmen Genentech, passten dann das 3D-Modell an, indem sie Daten von zwei anderen Augenbildgebungsverfahren hinzufügten – Infrarot-Netzhautbildgebung und Fundus-Autofluoreszenzbildgebung.

Durch die Kombination der optischen Kohärenztomographie mit einem oder beiden anderen Bildgebungstypen können die KI-Modelle eine vollständigere Ansicht des Auges und ein tieferes Verständnis dessen erstellen, was im Inneren passiert, erklärte Aaron Lee. Tatsächlich war das Modell, das auf allen drei Bildgebungstypen trainiert wurde, bei der Vorhersage der Wachstumsrate der schweren Form der Makuladegeneration, der geografischen Atrophie, hervorragend und übertraf das aktuelle Modell nach dem neuesten Stand der Technik, das nur auf Fundus-Autofluoreszenzbildern der Netzhaut trainiert, um durchschnittlich fast 50 %.

Geografische Atrophie betrifft weltweit etwa 5 Millionen Menschen und es gibt nur wenige wirksame Behandlungsmöglichkeiten. Durch die Bereitstellung von Informationen über die Wachstumsrate der Erkrankung konnte das Tool von Lee und Kollegen das Stadium der Krankheit effektiv erkennen und klassifizieren. Diese Informationen könnten Forscher nutzen, um bessere klinische Studien zu möglichen Therapien für die Krankheit zu entwerfen.

„Indem wir besser vorhersagen, wie schnell sich die Krankheit verschlimmern wird, können wir kleinere, effizientere Studien durchführen“, sagte Lee. „Das könnte die Kosten senken, die Zeit verkürzen, die zum Testen neuer Therapien benötigt wird, die Zahl der Menschen verringern, die wirkungslosen Behandlungen ausgesetzt sind, und dazu beitragen, dass wirksame Medikamente die Patienten schneller erreichen.“

Als nächstes werden die Forscher von WashU Medicine OCTCube-M mit größeren Datensätzen trainieren, die mehr Patienten, mehr Krankheiten und noch mehr Arten von Bildgebungsdaten umfassen, um es weiter zu verbessern.

Quellen: