Deep Lear­ning

Automatisierte Detektion einer geographischen Atrophie anhand von Fundusfotografien

26. November 2019

BETHESDA (Bier­mann) Für die vorlie­gen­de Studie wurde ein Deep Lear­ning-Modul entwi­ckelt, welches das Vorhan­den­sein einer geogra­phi­schen Atro­phie (GA) in vorhan­de­nen Fundus­auf­nah­men nach­wei­sen sollte. Zwei weite­re Module wurden entwi­ckelt, um eine zentra­le geogra­phi­sche Atro­phie zu detek­tie­ren.

Insge­samt wurden 59.812 Fundus­fo­tos von 4582 Teil­neh­mern der AREDS-Studie (Age-Rela­ted Eye Disea­se Study) verwen­det. Die Auswer­tung erfolg­te zusätz­lich durch entspre­chend ausge­bil­de­te Fach­leu­te an Reading-Centern nach stan­dar­di­sier­tem Proto­koll.

Mittels Deep Lear­ning sollte das Vorhan­den­sein einer geop­graphi­schen Atro­phie von Augen ohne AMD und mit AMD in verschie­de­nen Stadi­en detek­tiert werden. Ein weite­res Modul sollte das Vorlie­gen einer zentra­len GA in der glei­chen Popu­la­ti­on erken­nen. Das dritte Modul sollte bei vorhan­de­ner GA eine zentra­le GA erken­nen. Vergli­chen wurden die Ergeb­nis­se mit denen von 88 Retina-Spezia­lis­ten. Analy­siert wurden Area under Curve (AUC), Rich­tig­keit, Sensi­ti­vi­tät, Spezi­fi­tät und Präzi­si­on.

Die Deep Lear­ning Module wiesen eine AUC von 0,933–0,976, 0,939–0,976 und 0,827–0,888 für die einzel­nen Module auf.
Das GA-Detec­tion-Modul zeigte eine Rich­tig­keit von 0,965 (95% Konfi­denz­in­ter­vall [KI], 0,959–0,971), eine Sensi­ti­vi­tät von 0,692 (0,560–0,825), eine Spezi­fi­tät von 0,978 (0,970–0,985) und eine Präzi­si­on von 0,584 (0,491–0,676) auf, während sich bei den Retina-Exper­ten Werte von 0,975 (0,971–0,980), 0,588 (0,468–0,707), 0,982 (0,978–0,985) und 0,368 (0,230–0,505) erga­ben.

Das CGA-Modul zeigte Werte von 0,966 (0,957–0,975), 0,763 (0,641–0,885), 0,971 (0,960–0,982) und 0,394 (0,341–0,448) während das Zentra­li­täts-Modul Werte von 0,762 (0,725–0,799), 0,782 (0,618–0,945), 0,729 (0,543–0,916) und 0,799 (0,710–0,888) aufwies.
Mittels Deep Lear­ning war somit eine auto­ma­ti­sche GA-Erken­nung mit hoher Rich­tig­keit möglich. Die Metho­de im Vergleich mit den Ergeb­nis­sen mensch­li­cher Retina-Spezia­lis­ten nicht unter­le­gen und konnte auch zur Iden­ti­fi­ka­ti­on der CGA einge­setzt werden.

(ak)

Autoren: Keenan TD et al.
Kontakt: zhiyong.lu@nih.gov
Studie: A Deep Learning Approach for Automated Detection of Geographic Atrophy from Color Fundus Photographs.
Quelle: Ophthalmology 2019 Nov;126(11):1533–1540.
Web: https://doi.org/10.1016/j.ophtha.2019.06.005

html

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