gms | German Medical Science

Hintergrund: Mit der OCT-Angiographie (OCT-A) ergeben sich neue Perspektiven in der multimodalen Bildgebung. Trotz zahlreicher technischer Verbesserung bestehen verschiedene Fehlerquellen, die durch den Anwender erkannt und interpretiert werden müssen. Dies ist häufig komplex und zeitintensiv. Für eine breite klinische Anwendung ergibt sich ein Bedarf nach einer schnellen und zuverlässigen Generierung von OCT-A Scans mit gleichbleibend hohen Qualitätsstandards. Ziel der Studie war die vereinfachte und beschleunigte Qualitätsbeurteilung mithilfe eines Deep Learning Algorithmus (DLA).

Methoden: 200 zufällig ausgewählte en-face OCT-A Aufnahmen der Makula wurden retrospektiv in zwei Hauptgruppen (Gruppe 1: suffiziente Bildqualität, n=100, Gruppe 2: insuffiziente Bildqualität, n=100) eingeteilt. Die Einteilung basierte auf Kriterien des Motion Artifact Score (MAS) und des Segmentation Accuracy Score (SAS). Im Anschluss wurde ein DLA mit 160 dieser OCT-A Aufnahmen (Gruppe 1: 80; Gruppe 2: 80) trainiert und validiert. Die Training- und Validierungsgenauigkeit wurden bestimmt. Es folgte ein Test des DLA mit 40 unbekannten OCT-A Aufnahmen (Gruppe 1: 20; Gruppe 2: 20). Ein “insufficient image quality probability score” (IPS) und ein “sufficient image quality probability score” (SPS) sowie Sensitivität und Spezifität wurden berechnet.

Ergebnisse: Der verwendete DLA erreichte 97 % bei der Trainings- und 100% bei der Validierungsgenauigkeit. 18 von 20 Aufnahmen der Gruppe 1 wurden durch den Algorithmus korrekt zugeordnet. Auch bei 18 von 20 Aufnahmen der Gruppe 2 gelang ebenfalls eine korrekte Zuordnung der Aufnahmen. Der IPS betrug 0.88±0.21, der SPS 0.84±0.19. Die Diskriminierung zwischen den beiden Gruppen war hochsignifikant (p<0.001). Es resultiert eine Spezifität von 90 % und eine Sensitivität von 90 %.

Schlussfolgerungen: DL ist eine geeignete Methode zur schnellen und sicheren Beurteilung der Bildqualität bei OCT-A Aufnahmen. Dies kann – insbesondere vor dem Hintergrund stetig steigender Datenmengen – die Einhaltung einheitlicher Qualitäts- und Analysestandards bei der Bildauswertung erleichtern, zu Zeitersparnissen und Fehlervermeidung beitragen und gleichzeitig den Weg für weitere DL – basierte klinische Auswertungen der OCT-A ebnen.