SEOUL (Biermann) – Deep-Learning-Algorithmen können zuverlässig verschiedene Befunde in Makula-zentrierten Fundusbildern erkennen. Das Modell zeigte eine Leistung, die mit den von den medizinischen Experten erbrachten Leistungen mithalten konnte, insbesondere bei der Erkennung von Einblutungen, hartem Exsudat, Membranen, Makulaforamen, myelinisierten Nervenfasern und glaukomatösen Papillenveränderungen. Für die koreanische Arbeitsgruppe, welche die Ergebnisse in der Zeitschrift „Ophthalmology“ veröffentlicht hat, liegt daher eine Verwendung als automatisiertes Screeningsystem für Retina-Fundusbilder im klinischen Setting nahe.
Zur Entwicklung und Evaluierung der Deep-Learning-Modelle im Rahmen einer Querschnittstudie verwendeten die Koreaner 309.786 Messwerte aus 103.262 Bildern. Zusätzlich wurden zwei weitere externe Datensätze (Indian Diabetic Retinopathy Image Dataset und e‑ophtha) verwendet. Ein dritter externer Datensatz (Messidor) wurde zum Vergleich der Modelle mit menschlichen Experten verwendet.
Makula-zentrierte Fundusbilder der Netzhaut aus dem Retina-Bildarchiv des Bundang-Krankenhauses der Seoul National University wurden mithilfe von Deep-Learning-Algorithmen auf 12 wichtige Befunde hin untersucht (Einblutung, hartes Exsudat, Cotton-Wool-Patches, Drusen, Membranen, Makulaforamen, myelinisierte Nervenfasern, chorioretinale Atrophie oder Narben, jede vaskuläre Abnormalität, retinaler Nervenfaserschichtdefekt, glaukomatöse Papillenveränderung und nicht glaukomatöse Papillenveränderung).
Die „area under the receiver operating characteristic curve“ (AUC) sowie die Sensitivität und Spezifität der Deep-Learning-Algorithmen im höchsten harmonischen Mittel wurden evaluiert und mit der Leistung der Retina-Spezialisten verglichen. Die Visualisierung der Läsionen wurde qualitativ analysiert.
Die AUCs waren bei allen Befunden zwischen 96,2 und 99,9% hoch. Läsions-Heat-Maps hoben markante Regionen in verschiedenen Befunden effektiv hervor. Die AUCs für Befunde im Zusammenhang mit diabetischer Retinopathie, die im Indian Diabetic Retinopathy Image Dataset und im e‑ophtha-Datensatz getestet wurden, lagen zwischen 94,7 und 98,0%.
(isch)
