Startseite > Medizintechnik > E-Health > Mit Deep Learning die Sehkraft vorhersagen

Behandlung des Grünen Star

Mit Deep Learning die Sehkraft vorhersagen

8. Juni 2022, 7:34 Uhr | Ute Häußler

KI analysiert tausende Bilder des Augenhintergrunds, um die Sehfunktion von Glaukompatienten zu prognostizieren.

Ein Forschungsteam hat Tausende von Bildern des Augenhintergrunds von Glaukompatienten mit Hilfe von Deep Learning ausgewertet, um festzustellen, wie stark ihre Sehkraft durch die Krankheit beeinträchtigt wurde.

David Crabb, Professor für Statistik und Sehforschung und Leiter des Crabb Lab an der City University of London, sagte zur in Zusammenarbeit mit der University of Washington durchgeführte Studie:

»Die riesige Menge an NHS-Daten würde normalerweise nur herumliegen und Staub ansammeln. Hier haben wir sie genutzt, um eine sehr clevere KI-Technik zu entwickeln, die aus den Elementen in den Bildern lernt, um die Sehfunktion besser vorherzusagen. Diese Techniken könnten nützlich sein, um bessere Endpunkte für neue Glaukom-Behandlungen zu entwickeln.«

Was ist ein Glaukom?

Das Glaukom - eine Gruppe von Augenkrankheiten, die zu einer fortschreitenden Schädigung des Sehnervs führen - betrifft etwa 2 % der über 40-Jährigen und fast 10 % der über 75-Jährigen und führt jedes Jahr zu mehr als einer Million Krankenhausaufenthalten. Wenn jemand durch ein Glaukom das Augenlicht verliert, kann es nicht wiederhergestellt werden, weshalb eine frühzeitige Erkennung und eine angemessene Behandlung entscheidend sind.

Mit Deep Learning gegen Grünen Star

Für die Studie wurden Daten von mehr als 24 000 Patienten aus drei NHS-Kliniken in England mobilisiert und kuratiert. Die KI-Methode kann eine Rolle beim Beobachten des Fortschreitens des Glaukoms spielen und auch zur weiteren Erforschung des Glaukoms eingesetzt werden.

In dieser Studie wurden Deep-Learning-Modelle unabhängig voneinander auf große Mengen von zwei Arten von Bildern angewendet, die von Augen von Glaukompatienten aufgenommen wurden. Ziel war es herauszufinden, ob die Modelle dazu verwendet werden können, vorherzusagen, welche Bereiche ein Patient sehen kann (Gesichtsfeld).

Analyse zweier Bildgebungen

Die erste Art der Bildgebung ist als optische Kohärenztomographie (OCT) bekannt. Sie verwendet Licht mit geringer Kohärenz (das weniger wahrscheinlich reflektiert wird), um hochauflösende Querschnittsbilder der Netzhaut zu erhalten, dem lichtempfindlichen Bereich des Augenhintergrunds, auf dem das Auge ein Bild erzeugt. Die Schichten innerhalb der Netzhaut können unterschieden und die Netzhautdicke kann gemessen werden, um die Früherkennung und Diagnose von Krankheiten zu unterstützen.

Die zweite Art der Bildgebung wird als Infrarot-Reflexion (IR) bezeichnet und verwendet Infrarotlicht, um die Netzhaut zu beleuchten. In diesem Fall wurde sie zur Abbildung des Sehnervenkopfes eingesetzt an der Stelle, wo der Sehnerv des Auges aus der Netzhaut austritt und zum Gehirn wandert.

KI arbeitet ohne gesetzte Marker

Die Deep-Learning-Methode ermöglicht es, das Gesichtsfeld des Patienten durch die Betrachtung der Bilder vorherzusagen, ohne dass die darin enthaltenen Merkmale von Experten oder Ärzten gekennzeichnet wurden.

Die Studie ergab, dass jedes Deep-Learning-Modell Muster in den jeweiligen Volumina der einzelnen Bildgebungsarten ausnutzen konnte und einen nützlichen Vorhersagewert für das Gesichtsfeld eines bestimmten Patienten allein anhand des Bildes seines Auges hatte. Die Studie ergab jedoch auch, dass die Durchführung eines Deep-Learning-Prozesses über beide Bildgebungsarten, OCT und IR, eine noch höhere Genauigkeit bei der Vorhersage der Gesichtsfelder von Patienten bietet.

Progonose beschleunigt Behandlung

Die Vorhersagen durch Deep Learning sind vielversprechend, so dass die Autoren jetzt einen klinischen Einsatz prüfen. Die Technik könnte für Patienten eingesetzt werden, bei denen Entscheidungen über eine Intensivierung der Behandlung getroffen werden müssen, weil sich ihr Glaukom möglicherweise verschlimmert.

Die Möglichkeit, die Bilder des Augenhintergrunds zur Vorhersage der Sehfunktion zu nutzen, könnte auch bei der Planung von Studien für neue Glaukom-Behandlungen besonders nützlich sein. Sie hätte unter anderem Auswirkungen auf die Genauigkeit dieser Studien, was wiederum die Bereitstellung neuer Behandlungen beschleunigen könnte. (uh)