Augen­hin­ter­grund

Deep-Learning-Algorithmen erkennen Anämie

12. März 2020

MOUNTAIN VIEW (Bier­mann) — Aufgrund der Inva­si­vi­tät diagnos­ti­scher Tests für die Bestim­mung einer Anämie und der mit der Über­prü­fung verbun­de­nen Kosten bleibt die Erkran­kung bei Pati­en­ten häufig unentdeckt.

In ihrer neuen Studie haben Wissen­schaft­ler um Akino­ri Mitani, der  Soft­ware­ent­wick­ler bei Google Health ist, ein auto­ma­ti­sier­tes Anämie­s­cree­ning auf der Basis von Bildern des Augen­hin­ter­grun­des entwi­ckelt. Dieses könnte laut den Autoren insbe­son­de­re Pati­en­ten mit Diabe­tes zu Gute kommen, die sich einer regel­mä­ßi­gen Netz­haut­bild­ge­bung unter­zie­hen und bei denen eine Anämie das Morbi­di­täts- und Morta­li­täts­ri­si­ko erhöht.

Die Forscher woll­ten mit ihrer Studie zeigen, dass eine Anämie per Algo­rith­men, die auf maschi­nel­lem Lernen beru­hen, erkannt werden kann. Der Algo­rith­mus wurde mit Bildern des Augen­hin­ter­grun­des, im Spezi­el­len der Netz­haut, Meta­da­ten der Studi­en­teil­neh­mer (einschließ­lich ethni­scher Herkunft, Alter, Geschlecht und Blut­druck) oder der Kombi­na­ti­on beider Daten­ty­pen (Bilder und Meta­da­ten der Studien­teilnehmer) trainiert.

Anschlie­ßend sagten die Model­le basie­rend auf Augen­hin­ter­grund­bil­dern, Meta­da­ten und einer Kombi­na­ti­on beider Model­le in einem Vali­die­rungs­da­ten­satz von 11.388 Studi­en­teil­neh­mern der UK Biobank eine Hämo­glo­bin­kon­zen­tra­ti­on (in g/dl) mit entspre­chen­den mitt­le­ren abso­lu­ten Fehler­wer­ten von 0,73 (95 %-Konfi­denz­in­ter­vall 0,72–0,74), 0,67 (0,66–0,68) bzw. 0,63 (0,62–0,64) und mit Recei­ver Opera­ting Charac­te­ris­tic (ROC) Flächen­in­hal­ten unter der Kurve (AUC) von 0,74 (0,71–0,76), 0,87 (0,85–0,89) und 0,88 ( 0,86–0,89) voraus. Zusätz­lich prognos­ti­zier­te das kombi­nier­te Modell bei einer Gruppe von 539 Studi­en­teil­neh­mern mit selbst ange­ge­be­nem Diabe­tes die Hämo­glo­bin­kon­zen­tra­ti­on mit einem mitt­le­ren abso­lu­ten Fehler von 0,73 (0,68–0,78) und eine Anämie mit einer ROC-AUC von 0,89 (0,85–0,93).

(sh)

Autoren: Mitani A et al.
Korrespondenz: Akinori Mitani; amitani@google.com
Studie: Detection of anaemia from retinal fundus images via deep learning
Quelle: Nat Biomed Eng 2020;4(1):18–27.
Web: www.doi.org/10.1038/s41551-019-0487-z

html

Aus rechtlichen Gründen (Heilmittelwerbegesetz) dürfen wir die Informationen nur an Fachkreise weitergeben.