gms | German Medical Science

Hintergrund: Beim Einsatz medizinischer, KI-basierter Algorithmen ist die Nachvollziehbarkeit der Entscheidungen des Algorithmus ein wichtiges Akzeptanzkriterium bei Patienten und Ärzten. Mit dieser Thematik befassen sich die sogenannten XAI-Modelle (Explainable Artificial Intelligence). Pathologische Veränderungen sind bei der neovaskulären AMD (nAMD) häufig ausgeprägter als bei anderen Makulaerkrankungen, daher bietet die Annotation relevanter SD-OCT-Biomarkern eine besonders gute Möglichkeit, die Qualität von KI-Modelle zu verbessern und zudem die Entwicklung hin zu XAI-Modellen zu ermöglichen. Das Ziel dieses Projekts war die Etablierung einer pragmatischen Pipeline zur Annotation relevanter SD-OCT-Biomarker bei nAMD.

Methoden: Aus 800 SD-OCT-Volumen (Spectralis OCT 2, Heidelberg Engineering) von Patienten mit einer behandlungsbedürftigen nAMD wurden je fünf B-Scans zwischen Schnitt 12 bis 37 zufällig ausgewählt. Mit Hilfe des Open-Source Tools Coco-Annotator wurden verschiedene Biomarker wie Flüssigkeitskompartimente und Netzhautschichten annotiert. Zur Erleichterung der Annotation von Flüssigkeitskompartimente wurden konventionelle Verfahren angewendet um intraretinale, subretinale und subpigmentepitheliale Flüssigkeit automatisch zu annotieren. Die beschriebenen Biomarker wurden im Coco-Annotator zur Verfügung gestellt und falls notwendig manuell korrigiert.

Ergebnisse: Verschiedene Maßnahmen wie z.B. ein Annotationshandbuch unterstützten ein longitudinal konformes Grading. Flüssigkeitskompartimente konnten durch Computervision-Techniken häufig recht gut erkannt werden, jedoch wurden oft falsch positive Kompartimente ausgewiesen. Der Zeitaufwand zur Annotation von falsch positiven und richtig positiven Kompartimenten wurde hierdurch nicht geringer, so dass Flüssigkeitskompartimente manuell annotiert werden mussten. Beim Vergleich der Inter-Rater-Reabilität anhand eines ausgewählten Datensatzes zeigte sich insbesondere hinsichtlich der Beurteilung der Flüssigkeitskompatimente eine hohe Übereinstimmung.

Schlussfolgerungen: Das Open-Source Annotations-Tools Coco-Annotator eignet sich gut zur Annotation relevanter iSD-OCT-Biomarkern bei Patienten mit nAMD. Mit Hilfe von händisch annotierten Daten können KI-Segmentierungsmodelle trainiert werden, um ganze SD-OCT-Volumen zeitsparend automatisch zu annotieren, was die Entwicklung XAI-basierter Anwendungen erleichtert.