gms | German Medical Science

Zweck: Bewertung des Potenzials einer Deep-Learning-Software zur Unterscheidung der Bösartigkeit von Aderhautmelanomen basierend auf Fundusfotografien.

Studiendesign: Nicht-interventionelle retrospektive Studie.

Methoden: Die Deep-Learning-Software wurde mit einem Datensatz trainiert, der aus 762 Farb-Fundusfotografien (CFP) von choroidalen Läsionen bestand, die von verschiedenen Funduskameras aufgenommen und von 2011 bis 2023 in einer tertiären Klinik diagnostiziert wurden. Der Datensatz umfasste drei Kategorien: benigner Nävus, naïves choroidales Melanom und bestrahltes choroidales Melanom. Der Referenzstandard für die Bewertung wurde von Netzhautspezialisten mittels multimodaler Bildgebung festgelegt. Die Architektur des Convolutional Neural Network (CNN) sResNext50 wurde für trinarische (Nävus vs. Behandlungsnaives Melanom vs. bestrahltes Melanom) und binäre (Nävus vs. behandlungsnaives Melanom) Klassifikationen verwendet. Die Klassifikationsleistung wurde an einem Testdatensatz mit 100 unabhängigen Bildern bewertet.

Ergebnisse: Die endgültige Genauigkeit im unabhängigen Testdatensatz für die Mehrfachklassifikation und die binäre (benigne vs. maligne) Klassifikation betrugen 84,8% bzw. 90,9%. Der Recall und die Spezifität lagen zwischen 0,85–0,90 und 0,91–0,92. Die mittlere Fläche unter der Kurve (AUC) betrug 0,96 bzw. 0,99. Die beste diskriminierende Leistung wurde in der binären Klassifikation bei Einbeziehung einer einzelnen Bildgebungsmodalität erzielt (Genauigkeit von 95,8%).

Schlussfolgerungen: Die Deep-Learning-Modelle zeigten eine solide Leistung bei der Klassifizierung der Malignität von choroidalen Läsionen. Die Software bietet vielversprechende Möglichkeiten für eine ressourcenund kosteneffiziente Prästratifizierung vor der Überweisung an spezialisierte Zentren, die multimodale Bildgebung anbieten.

Finanzielle Offenlegung: keine.