MADISON (Bier­mann) – KI-Algo­rith­men haben beein­dru­cken­de Leis­tun­gen bei der Segmen­tie­rung von geogra­phi­scher Atro­phie (GA) aus Fundus-Auto­fluo­res­zenz-Bildern (FAF) gezeigt. Dabei ist die Auswahl der Archi­tek­tur der künst­li­chen Intel­li­genz (KI) eine wich­ti­ge Varia­ble bei der Modell­ent­wick­lung. Eine aktu­el­le Arbeit zeigt, dass sich die Wahl der KI-Archi­tek­tur auf die GA-Segmen­tie­rungs­leis­tung auswir­ken kann.

Um den effek­tivs­ten Ansatz für die GA-Segmen­tie­rung zu ermit­teln, unter­such­ten die Wissen­schaft­ler 12 verschie­de­ne KI-Archi­tek­tu­ren, jeweils mit unter­schied­li­chen Kombi­na­tio­nen von Enco­dern und Deco­dern. Die Archi­tek­tu­ren umfass­ten drei Deko­die­rer – FPN (Feature Pyra­mid Network), UNet und PSPNet (Pyra­mid Scene Parsing Network) – und dien­ten als Grund­ge­rüst für die Segmen­tie­rungs­auf­ga­be. Enco­der wie Effi­ci­ent­Net, ResNet (Resi­du­al Networks), VGG (Visual Geome­try Group) und Mix Vision Trans­for­mer (mViT) spie­len laut der Forscher eine Rolle bei der Extrak­ti­on opti­ma­ler laten­ter Merk­ma­le für eine genaue GA-Segmen­tie­rung. Die Leis­tung wurde durch den Vergleich der GA-Flächen zwischen mensch­li­chen und KI-Vorher­sa­gen und dem Dice-Koef­fi­zi­en­ten (DC) gemes­sen. Der Trai­nings­da­ten­satz umfass­te 601 FAF-Bilder aus der AREDS2-Studie und die Vali­die­rung 156 FAF-Bilder aus der GlaxoSmithKline-Studie.

Die Analy­sen der Wissen­schaft­ler erga­ben, dass die mitt­le­re abso­lu­te Diffe­renz zwischen den vom Grader gemes­se­nen und den von der KI vorher­ge­sag­ten Flächen von ‑0,08 (95%-KI ‑1,35, 1,19) bis 0,73 mm² (95%-KI ‑5,75, 4,29) reich­te und der DC zwischen 0,884 und 0,993 lag. UNet und FPN mit mViT waren den Autoren nach die besten Model­le, und PSPNet schnitt am schlech­tes­ten ab.

(sas)