BONN (Biermann) – Die periphere arterielle Verschlusskrankheit (paVK) wird durch Atherosklerose verursacht und führt zu einer hohen Morbidität und Mortalität. Die gegenwärtigen diagnostischen Techniken erkennen oftmals keine frühen Stadien der paVK. Die Autoren einer aktuellen Studie haben nun eine selbstlernende Software entwickelt, die atherosklerotische Gefäßveränderungen der Retina bei Patienten mit paVK bereits im asymptomatischen Frühstadium erkennt.
In ihrer explorativen Studie verwendeten die Wissenschaftler Deep-Learning-Modelle zur Erkennung von paVK auf der Grundlage von 135 Farbfundusaufnahmen (CFP). Mithilfe einer Methode des tiefgreifenden, aufmerksamkeitsbasierten Maschinellen Lernens (Multiple-Instance-Learning [MIL]) trainierte die Arbeitsgruppe mittels der CFP ein künstliches neuronales Netzwerk (Convolutional-Neural-Network; [CNN]), das in seiner Funktionsweise dem menschlichen Gehirn nachempfunden wurde.
Um feine Variationen der Gefäßstruktur zu erfassen, fassten die Forschenden die CFP in Datenblöcke zusammen, um eine hohe Bildauflösung zu erreichen. Das CNN wandelte nachfolgend jeden Datenblock in einen Merkmalsvektor um und bestimmte seine relative Wichtigkeit über ein automatisch berechnetes Aufmerksamkeitsgewicht.
Das CNN erkannte später den Inhalt unbekannter Aufnahmen, indem der Algorithmus bereits wusste, auf welche subtilen bildgebenden Biomarker der retinalen Gefäßstruktur zu achten war.
Die Ophthalmologen ermittelten, dass das geeignetste Modell einen Wert unter der Grenzwertoptimierungskurve (ROC-AUC) von 0,89 erreichte. Des Weiteren analysierte die Studiengruppe, dass die Papille und die temporalen Gefäßarkaden signifikant höher gewichtet waren als die anderen retinalen Strukturen am hinteren Pol (p<0,001).
Die Autoren resümieren, dass systemische Herz-Kreislauf-Erkrankungen anhand von Veränderungen im retinalen Gefäßsystem diagnostiziert werden können. Mithilfe der Künstlichen Intelligenz könnte die Diagnose der paVK frühzeitig gestellt und die Krankheitsüberwachung verbessert werden.
(tt)