Ein neuer Ansatz, der künstliche Intelligenz zur Analyse von Netzhautbildern nutzt, könnte eines Tages Ärzten helfen, die beste Behandlung für Patienten mit Sehverlust durch diabetisches Makulaödem auszuwählen. Diese Diabetes-Komplikation ist eine der Hauptursachen für Sehverlust bei Erwachsenen im erwerbsfähigen Alter.
Wirkstoffe gegen den vaskulären endothelialen Wachstumsfaktor (VEGF) werden häufig als erste Therapielinie bei diabetischem Makulaödem eingesetzt, aber sie wirken nicht bei jedem. Es muss ermittelt werden, wer von der Therapie profitieren würde, da mehrere Injektionen erforderlich sind, die sowohl für Patienten als auch für Ärzte kostspielig und belastend sind.
"Wir haben einen Algorithmus entwickelt, der verwendet werden kann, um Bilder der optischen Kohärenztomographie (OCT) der Netzhaut automatisch zu analysieren, um vorherzusagen, ob ein Patient wahrscheinlich auf Anti-VEGF-Behandlungen anspricht", sagte Forschungsteamleiterin Sina Farsiu von Duke University. "Diese Forschung stellt einen Schritt in Richtung Präzisionsmedizin dar, in der solche Vorhersagen Klinikern helfen, Erstlinientherapien für Patienten basierend auf bestimmten Krankheitszuständen besser auszuwählen."
In der Zeitschrift Biomedical Optics Express der Optical Society (OSA) zeigen Farsiu und Kollegen, dass der neue Algorithmus nur einen volumetrischen Scan vor der Behandlung analysieren kann, um genau vorherzusagen, ob ein Patient wahrscheinlich auf eine Anti-VEGF-Therapie ansprechen wird.
"Unser Ansatz könnte möglicherweise in Augenkliniken eingesetzt werden, um unnötige und kostspielige Trial-and-Error-Behandlungen zu vermeiden und somit eine erhebliche Behandlungsbelastung für Patienten zu verringern", sagte Farsiu.„Der Algorithmus könnte auch angepasst werden, um das Therapieansprechen bei vielen anderen Augenerkrankungen vorherzusagen, einschließlich neovaskulärer altersbedingter Makuladegeneration.“
Vorhersage der Behandlungsreaktion Der von den Forschern entwickelte Algorithmus basiert auf einer neuartigen Convolutional Neural Network (CNN)-Architektur, einer Art künstlicher Intelligenz, die Bilder analysieren kann, indem sie verschiedenen Aspekten oder Objekten Bedeutung zuweist. Sie verwendeten den Algorithmus, um Bilder zu untersuchen, die mit OCT aufgenommen wurden, einer nicht-invasiven Technologie, die hochauflösende Querschnittsbilder der Netzhaut erzeugt und der Behandlungsstandard für die Beurteilung und Behandlung vieler Augenerkrankungen ist.
"Im Gegensatz zu zuvor entwickelten Ansätzen benötigt unser Algorithmus OCT-Bilder von nur einem einzigen Vorbehandlungszeitpunkt", sagte Reza Rasti, Erstautor der Arbeit und Postdoktorand in Farsius Labor. „Es sind keine Zeitreihen-OCT-Bilder, Patientenakten oder andere Metadaten erforderlich, um das Ansprechen auf die Therapie vorherzusagen."
Der neue Algorithmus bewahrt und hebt globale Strukturen im OCT-Bild hervor und verbessert gleichzeitig lokale Merkmale erkrankter Regionen, um Informationen zur Netzhautdicke effizient zu nutzen. Um die Behandlungsentscheidung zu erleichtern, integrierten die Forscher einen zusätzlichen Schritt, der nach CNN-kodierten Merkmalen sucht, die stark mit der Anti-VEGF-Reaktion korrelieren.
Testen des Algorithmus Die Forscher testeten ihren neuen Algorithmus mit OCT-Bildern von 127 Patienten, die wegen eines diabetischen Makulaödems mit drei aufeinanderfolgenden Injektionen von Anti-VEGF-Wirkstoffen behandelt worden waren. Sie wendeten den Algorithmus an, um OCT-Bilder zu analysieren, die vor den Anti-VEGF-Injektionen aufgenommen wurden, und verglichen dann die Vorhersagen des Algorithmus mit OCT-Bildern, die nach der Anti-VEGF-Therapie aufgenommen wurden, um zu bestätigen, ob die Therapie den Zustand verbesserte.
Anhand der Ergebnisse errechneten die Forscher, dass der Algorithmus mit einer Wahrscheinlichkeit von 87 Prozent korrekt vorhersagen würde, wer auf die Behandlung ansprechen würde. Es wies eine durchschnittliche Präzision und Spezifität von 85 Prozent und eine Sensitivität von 80 Prozent auf.
Als nächstes planen die Forscher, die Ergebnisse dieser Pilotstudie zu bestätigen und zu erweitern, indem sie eine größere Beobachtungsstudie mit Patienten durchführen, die sich noch keiner Behandlung unterzogen haben.
