CHICAGO (Biermann) – Eine zuverlässige Unterscheidung zwischen Uvealen Melanomen (UV) und Aderhautnävi ist entscheidend, um unnötige Eingriffe bei gutartigen Läsionen zu vermeiden und eine rechtzeitige Behandlung bei potenziell bösartigen Fällen zu gewährleisten. Eine aktuelle Arbeit zeigt, dass Deep Learning ein vielversprechender Ansatz für die automatische Klassifizierung von Aderhautmelanomen und choroidalen Nävi sein kann. Dabei können Farbfusionsoptionen die Klassifizierungsleistung jedoch erheblich beeinflussen.
Die Autoren schlossen in ihre retrospektive Studie insgesamt 798 Ultraweitwinkel-Netzhautbilder von 438 Patienten ein. Darunter waren 157 Patienten mit der Diagnose UM und 281 Patienten mit der Diagnose Aderhautnävus. Farbfusionsoptionen, darunter frühe Fusion, mittlere Fusion und späte Fusion, wurden für die Deep-Learning-Bildklassifizierung mit einem Faltungsneuronalen Netzwerk (CNN) getestet. Zur Bewertung der Klassifizierungsleistung wurden der F1-Score, die Genauigkeit und die Fläche unter der Kurve (AUC) einer Receiver Operating Characteristic (ROC) herangezogen.
Die Wissenschaftler stellten fest, dass die Farbfusionsoptionen die Leistung des Deep Learning erheblich beeinflussen. Beim einfarbigen Lernen zeigte sich, dass das rote Farbbild im Vergleich zu den grünen und blauen Kanälen eine bessere Leistung aufweist. Beim Lernen mit mehreren Farben, so die Autoren, ist die mittlere Fusion besser als die frühe und späte Fusion.
(sas)
