gms | German Medical Science

Hintergrund: Anwendungen der künstlichen Intelligenz erhalten zunehmend Einzug in der automatisierten Beurteilung ophthalmologischer Bilder. Ziel dieser Studie war die automatische Detektion einer geografischen Atrophie (GA) in Fundus-Autofluoreszenz (FAF)-Aufnahmen unter Verwendung eines tiefen neuronalen Netzwerks.

Methoden: Ein tiefes neuronales Netzwerk wurde mithilfe eines Deep-Learning-Frameworks an FAF-Aufnahmen von Patienten mit GA und Aufnahmen einer gesunden Vergleichsgruppe trainiert, um einerseits GA zu erkennen und andererseits zwischen einem Diffuse-Trickling-Muster (DTP) (DTP) und anderen GA-FAF-Mustern unterscheiden zu können. Hierfür errechnete der Algorithmus automatisch einen Wahrscheinlichkeitsscore zwischen 0 und 1.

Ergebnisse: Für die Studie wurden insgesamt 460 FAF-Aufnahmen von GA-Patienten und einer gesunden Vergleichsgruppe verwendet. Der Wahrscheinlichkeitsscore betrug 0,948 ± 0,084 für GA-Bilder und 0,044 ± 0,043 für gesunde Vergleichsbilder (p < 0,001). Der errechnete DTP-Wahrscheinlichkeitsscore betrug 0,834 ± 0,123 für Aufnahmen mit DTP und 0,132 ± 0,121 für FAF-Aufnahmen mit einem anderen GA Muster (p < 0,001). Sensitivität und Spezifität lagen für beide Fragestellungen bei 100%.

Schlussfolgerung: Die Ergebnisse dieser Studie zeigen, dass der Einsatz von Deep Learning in der automatischen Beurteilung von FAF–Bildern verlässliche Ergebnisse liefert und somit zukünftig sowohl für die Diagnosestellung, als auch für die Prognoseabschätzung eine wichtige Rolle spielen könnte.