Wie das letzte Jahr gezeigt hat, eignet sich das menschliche Auge hervorragend als Testbed für die Anwendung von AI in der Medizin. Google Research trainierte sein Programm durch die Auswertung von 128175 Netzuatbildern (EyePACS) mit dem Ziel, diejenigen Patientenaugen herauszufischen, die an einer diabetischen Retinopathie leiden. Die künstlichen neuronalen Netzwerke sind durch Deep Learning (link Artikel Future Medicine Congress) in der Lage vergleichsweise gut wie ein trainierter Augenarzt aus Fleisch und Blut, wenn nicht sogar besser, die diabetische Retinopathie, sowie das diabetische Makulaödem auf Fundusfotografien zu erkennen. Die Ergebnisse können sich mit einer Sensitivität von 96-97% und einer Spezifität von 93% sehen lassen. Wird der Mensch nun überflüssig oder kann uns dieses Programm im klinischen Alltag zu einem früheren Feierabend verhelfen?
Der ursprüngliche Gedanke hinter der Entwicklung solcher medizinischen Programme ist sicher die medizinische Versorgung der Bevölkerung in Regionen dieser Welt, in denen es keinen Augenarzt vor Ort gibt. Auch hinsichtlich der demografischen Veränderungen und der damit verbundenen Zunahme der Makuladegeneration in der Bevölkerung erscheint dies sinnvoll. Gäbe es nur diese Seite der Medaille, dann wäre es ein ehrbares Unterfangen.1,2
Die künstlichen neuronalen Netzwerke sind in der Lage eigenständig zu lernen. Je mehr Daten, desto besser. Unermüdbar können sie aus digitalisierten medizinischen Daten die notwendigen Informationen ziehen, um die korrekte Diagnose zu stellen. Der Mensch benötigt Jahre, um sich einen Bruchteil des Wissens anzueignen, welches die Maschine in nur wenigen Sekunden ihr Eigen nennen kann.
In den USA wurde bereits im letzten Jahr IDx-DR (Iowa-based IDx LLC) zur Detektion diabetischer Veränderungen am Augenhintergrund zugelassen. Durch Anwendung künstlicher Intelligenz wird der Augenarzt hier überflüssig. Die Informationen erhält die Software über eine Retina-Kamera. Das Programm entscheidet, ob der Patient unter einer behandlungsbedürftigen diabetischen Retinopathie leidet oder ein Rescreening mittels Maschine in 12 Monaten empfohlen wird.3
Angesichts der drastisch steigenden Anzahl an Diabetikern, sind solche Maßnahmen notwendig, um ein rechtzeitiges Screening auch in Zukunft gewährleisten zu können. Es ist somit ein weiteres Tool für Patienten mit Diabetes mellitus, wie es auch das Blutzucker-Messgerät ist. In Deutschland stehen an einigen Standorten bereits CE-zertifizierte Retinopathiescreening-Geräte.4 Ein Review aus dem letzten Jahr konnte für den Einsatz von Deep Learning bei der Detektion der diabetischen Retinopathie auf Fundusbildern eine Sensitivität und Spezifität von 80-100% (8 Studien) feststellen.1 Das ist schon ziemlich gut.
Auch das deutsche Ärzteblatt hat erst kürzlich vom RETOME-Projekt (Monitoring von Retinatherapien@home) berichtet. Hierbei handelt es sich um einen Prototypen eines OCT-Gerätes, mit welchem die Patienten sich eigenständig zuhause untersuchen können. Die Auswertung der Bilddaten erfolgt mittels künstlicher Intelligenz. Immobilen Patienten soll zukünftig der Gang zum Augenarzt durch dieses Gerät erspart bleiben. Darüber hinaus soll das Gerät ein individuelles Profil des Patienten erstellen können und so an dessen Therapie unterstützend mitwirken. Die Software lernt die Reaktion der Retina auf die IVOM-Therapie von jedem einzelnen Patienten kennen und kann so sinnvolle Therapieintervalle bestimmen.4
In Zukunft wird Deep Learning in der Augenheilkunde sicherlich auch die Auswertung von perimetrischen Untersuchungen, dem Papillen-OCT-Befund bei Glaukompatienten, dem Makula-OCT-Befund bei AMD- und Diabetes-Patienten etc. für uns übernehmen.5,6 Welche Meinung habt Ihr dazu?
Referenzen:
1. Nielsen K. B. et al. (2018). Deep Learning–Based Algorithms in Screening of Diabetic Retinopathy: A Systematic Review of Diagnostic Performance. ORET_ 2018_337.
2. Grewal S. et al. (2018). Deep learning in ophthalmology: a review. e 53, Issue 4, August 2018, Pages 309-313.
3. https://www.reuters.com/article/us-fda-ai-approval/u-s-fda-approves-ai-device-to-detect-diabetic-eye-disease-idUSKBN1HI2LC
4. https://www.aerzteblatt.de/archiv/204767/Kuenstliche-Intelligenz-Algorithmen-fuer-den-Augenarzt
5. Lee A. et al. (2017). Machine Learning Has Arrived! AAO Journal. December 2017. Volume 124, Issue 12, Pages 1726–1728.
6. Ting D. S. W. et al. (2019). Artificial intelligence and deep learning in ophthalmology.Br J Ophthalmol. 2019 Feb;103(2):167-175.