gms | German Medical Science

Hintergrund: Ziel dieses kooperativen Pilotprojektes war es, einen machine-learning basierten Bilderkennungsalgorithmus für die Differenzierung der exsudativen AMD zu entwickeln und die erhaltenden Daten in Bezug auf Ihre Qualität zu evaluieren.

Methoden: Mit einem Kooperationspartner (Westphalia DataLab, Münster) wurde eine neuronale Datennetzwerkstruktur entwickelt, die für verschiedene relevante Fragestellungen modifiziert werden kann. Es wurde manuell ein Datensatz von SD-OCT-Aufnahmen (Spectralis OCT 2, Heidelberg Engineering, Heidelberg) mit insgesamt 600 Patienten mit exsudativer AMD vor und nach einem Anti-VEGF-Upload von 3 Injektionen exportiert („Portaldatensatz“) und die Integration von Formulardaten vorgenommen. Des weiteren wurde eine strukturierte Bildgebungsdatenbank (Fluoreszeinangiographie, VOL-OCT, DICOM-OCT) aufgebaut und integriert. Der Datensatz wurde in einen Trainings- und einen Testdatensatz (400 bzw. 200 Fälle) aufgeteilt.

Ergebnisse: Der Algorithmus zur Unterscheidung von früher/intermediärer AMD gegenüber der exsudativen AMD ergaben eine Accuracy von 85%. Des Weiteren wurden mittels Heat-Maps die für den Algorithmus zur Unterscheidung relevanten Regionen darstellbar gemacht.

Schlussfolgerungen: Mit Hilfe eines plattformgestützen, machine-learning basiertem Algorithmus ist die Differenzierung der exsudativen AMD möglich. Dies ist die Basis, um große OCT-Mengen automatisiert zu analysieren. Eine Verbesserung der Accuracy kann durch eine Verbreiterung der Datenbasis (z.B. mittels Textming) und Nutzung zusätzlicher Bilddaten (Fundusautofluroeszenz, Fluoreszeinangiographie) erreicht werden.