Wissenschaft

Maschinelles Lernen hilft bei der klinischen Datenauswertung in der Augenheilkunde

Maschinelles Lernen hilft bei der klinischen Datenauswertung in der Augenheilkunde
Maschinelles Lernen hilft bei der klinischen Datenauswertung in der Augenheilkunde (Bild: Universität Bern)

2019-11-29 15:43:20
newsbot by content-proivder.ch GmbH
Quelle: Universität Bern

Ein zuverlässiges und schnelles Tool, welches das ARTORG Center der Universität Bern und die Universitätsklinik für Augenheilkunde am Inselspital entwickelt haben, bringt Künstliche Intelligenz (KI) der klinischen Anwendung für Augenerkrankungen näher, wie die Universität Bern schreibt.

Die Methode extrahiert aus umfangreichen Bilddaten zuverlässig klinisch relevante Informationen und liefert noch während einer Patientenkonsultation in Sekundenschnelle Ergebnisse einer umfassenden Bildanalyse.Moderne medizinische Bildgebung ermöglicht das engmaschige Monitoring chronischer Augenerkrankungen. Augenärztinnen und Augenärzte entscheiden sich hierzu vor allem für die Optische Kohärenztomographie (englisch: optical coherence tomography), ein bildgebendes Verfahren, das 3D-Bilder des Auges mit extrem hoher Auflösung erzeugt.

Aber ohne KI-Unterstützung übersteigt die grosse Menge an Bildern und Informationen die Kapazität der einzelnen Expertin oder des einzelnen Experten.Ein Forschungsteam des Labors Artificial Intelligence in Medical Imaging (AIMI) am ARTORG Center for Biomedical Engineering Research der Universität Bern sowie der Universitätsklinik für Augenheilkunde am Inselspital, Universitätsspital Bern, präsentiert nun ein Machine Learning Tool, das in der Lage ist, eine breite Palette von Biomarkern aus OCT-Scans der Netzhaut zu identifizieren und unverzüglich klinisch relevante Daten zu liefern. Die Studie wurde im Journal «Nature Scientifc Reports» publiziert.«In unserem Ansatz klassifiziert die KI OCT-Scans auf der Basis von krankheitstypischen Biomarkern», erklärt Professor Doktor Raphael Sznitman, Leiter des AIMI-Labors am ARTORG.

Biomarker seien Orientierungspunkte und Merkmale in OCT-Scans, die auf eine Krankheit hinweisen oder nach der Behandlung eine Verschlechterung oder Verbesserung anzeigen können. «Was unsere Ergebnisse auszeichnet, ist, dass unser KI-Algorithmus eine umfassende Biomarker-Charakterisierung vornimmt und die Scans auf der Grundlage von gut untersuchten und bekannten klinischen Indikationen klassifiziert.

Dabei identifiziert unsere Methode diese Biomarker autonom, also ohne dass ein ausgebildeter Augenarzt die Strukturen, auf die sich die Technologie konzentrieren soll, vorher markieren muss.»Die weltweit häufigsten Augenerkrankungen gehen mit schädlichen Einflüssen einher, die zu einer Degeneration der Makula führen (Teil des Augenhintergrundes oder der Netzhaut) und führen letztlich zum Erblinden. Professor Doktor med.

Sebastian Wolf, Direktor und Chefarzt der Universitätsklinik für Augenheilkunde am Inselspital, setzt OCT-Scans zur Therapie chronischer Netzhauterkrankungen wie altersbedingter Makuladegeneration oder diabetischem Makulaödem ein. «Da die Patientenzahlen steigen, müssen automatisierte KI-Tools im klinischen Umfeld entwickelt werden, um Ärztinnen und Ärzte bei der Analyse der umfangreichen Daten von OCT-Scans zu unterstützen.

Genaue, umfassende Informationen aus der Analyse von Patienten-OCTs während der Konsultation seien der Schlüssel zu einem künftig besseren Management solcher Erkrankungen. Das hier vorgestellte Tool sei ein wichtiger Schritt zur Erreichung des Ziels einer besseren Versorgung von Patientinnen und Patienten mit chronischen Augenleiden.»Computerprogramme können aus der wachsenden Anzahl routinemässig generierter OCT-Scans automatisch die wichtigsten Informationen extrahieren, zusammenfassen und präsentieren, um Augenärztinnen und Augenärzte im klinischen Alltag oder in der Forschung zu unterstützen.

«Unsere automatisierte Analyse könne für Ärzte ein kostengünstiges und zuverlässiges Werkzeug sein, statt jedes Bild manuell durchgehen zu müssen», sagt Thomas Kurmann, Doktorand am ARTORG AIMI Labor. «Unsere bisherigen Ergebnisse zeigen, dass unsere Künstliche Intelligenz die häufigsten Krankheitstypen konsequent und mit großer Präzision automatisch klassifizieren und eine breite Palette von Biomarkern identifizieren kann, die typischerweise in krankhaft veränderten Augenscans gefunden werden.».

Suche nach Stichworten:

Bern Maschinelles Lernen klinischen Datenauswertung Augenheilkunde