gms | German Medical Science

Hintergrund: Deep Learning beschreibt einen Teilbereich der künstlichen Intelligenz und ermöglicht eine automatische Mustererkennung mithilfe von selbstlernenden Algorithmen. Ziel dieser Studie war die automatischen Detektion von exsudativer altersabhängiger Makuladegeneration (AMD) im SD-OCT mithilfe eines Deep-Learning-Ansatzes.

Methoden: Eine open-source Deep-Learning-Software wurde mit 1012 SD-OCT Bildern (AMD: 701; Gesund: 311) für die automatische Detektion von exsudativer AMD trainiert. In einem zweiten Schritt wurde die Funktion des Algorithmus an 100 (AMD: 50; Gesund: 50) bisher unbekannten SD-OCT Bildern getestet. Hierbei erfolgte die Berechnung eines AMD-Scores, als Wahrscheinlichkeitsmaß für das Vorliegen einer AMD. Bei Werten ≥ 0,98 wurde die Diagnose „exsudative AMD“ gestellt.

Ergebnisse: Der durchschnittliche AMD-Score betrug 0.997 ± 0.003 in der AMD-Gruppe und 0.9203 ± 0.085 in der gesunden Vergleichsgruppe. Der Unterschied zwischen beiden Gruppen war hoch signifikant (p < 0.001). Eine richtige Zuordnung zu den beiden Gruppen konnte vom Algorithmus mit einer Sensitivität 100 % von und einer Spezifität von 92% erreicht werden.

Schlussfolgerungen: Mit der in dieser Studie gewählten Deep-Learning-Software ist eine Detektion von AMD mit einer hohen Sensitivität und Spezifität möglich. Hieraus ergeben sich mögliche weitere interessante Anwendungsgebiete zum Beispiel das Erstellen von prädiktiven Aussagen. Dies bedarf der Durchführung von Folgestudien.