Skip to main content

Fachverlag und Nachrichtenagentur

Personalisierte Präzisionsmedizin durch KI-basiertes Monitoring retinaler Flüssigkeit

 

MEDICAL RETINA Wien – Retinale Flüssigkeit ist bei exsudativen Makulaerkrankungen der wichtigste Biomarker und wird durch die hochauflösende dreidimensionale optische Kohärenztomographie (OCT), die weltweit als diagnostischer Goldstandard eingesetzt wird und die klinische Untersuchung weitgehend ersetzt, präzise dargestellt. Ursula Schmidt-Erfurth aus der Universitätsklinik für Augenheilkunde und Optometrie an der Medizinischen Universität Wien, Österreich, erstellte zusammen mit weiteren österreichischen und amerikanischen Kollegen ein Review zum Einsatz Künstlicher Intelligenz (KI) im Rahmen der OCT-Untersuchung von retinaler Flüssigkeit. KI mit ihrer Fähigkeit, Flüssigkeiten objektiv zu identifizieren, zu lokalisieren und zu quantifizieren, führt vollautomatische Auswertungen in die OCT-Bildgebung ein, die ein personalisiertes Krankheitsmanagement ermöglichen. Die Leistung von Deep Learning hat sich in Bezug auf Genauigkeit und Geschwindigkeit gegenüber menschlichen Experten, einschliesslich Ärzten und zertifizierten Auswertern, bereits als überlegen erwiesen. Die reproduzierbare Messung der Netzhautflüssigkeit basiert auf präzisen KI-basierten Segmentierungsmethoden, die jedem OCT-Voxel eine Kennzeichnung zuordnen, die seinem Flüssigkeitstyp wie intraretinale Flüssigkeit (IRF) und subretinale Flüssigkeit (SRF) oder einer Pigmentepithelablösung (PED) sowie seiner Position innerhalb des zentralen 1-, 3- und 6-mm-Makulabereichs entspricht. Besonders entscheidend ist eine solche zuverlässige Analyse, um während der Behandlung mit verschiedenen Therapieschemata und Substanzen Unterschiede in den pathophysiologischen Mechanismen und den Auswirkungen auf die Netzhautfunktion sowie in der Dynamik der Flüssigkeitsauflösung erkennen zu können. Allerdings ist dazu ein tiefgehendes Verständnis der Wirkungsweise von Überwachtem und Unüberwachtem Lernen, der Funktionalität eines Convolutional Neural Net (CNN) und verschiedener Netzwerkarchitekturen notwendig. Um Augenärzte zu qualifizierten KI-Anwendern zu befähigen, sind tiefere Einblicke in adäquate Methoden zur Leistungs- und Validierungsbewertung sowie geräte- und scanmusterabhängige Unterschiede erforderlich. Die Korrelation zwischen Flüssigkeit und Funktion kann zu einer besseren Definition valider Flüssigkeitsvariablen führen, die für optimale Ergebnisse auf der individuellen und der Bevölkerungsebene relevant sind. Wie die Autoren in der elektronischen Vorab-Publikation beim Fachjournal PROGREss IN RETINAL AND EYE RESEARCH im Juni 2021 schreiben, ebnet für sie die KI-basierte Flüssigkeitsanalyse den Weg für die Präzisionsmedizin bei den führenden Netzhauterkrankungen unserer Zeit. (bs)

Autoren: Schmidt-Erfurth U, Reiter GS, Riedl S, Seeböck P, Vogl WD, Blodi BA, Domalpally A, Fawzi A, Jia Y, Sarraf D, Bogunović H. Korrespondenz: Ursula Schmidt-Erfurth, Department of Ophthalmology Medical University of Vienna, Spitalgasse 23, 1090, Vienna, Austria. E-Mail: ursula.schmidt-erfurth@meduniwien.ac.at Studie: AI-based monitoring of retinal fluid in disease activity and under therapy. Quelle: Prog Retin Eye Res. 2021 Jun 22:100972. doi: 10.1016/j.preteyeres.2021.100972. Epub ahead of print. PMID: 34166808. Web: https://www.sciencedirect.com/science/article/pii/S1350946221000331