Ein Computersystem, das künstliche Intelligenz verwendet, ist sehr genau bei der Identifizierung von Menschen mit Diabetes, die an diabetischer Retinopathie und verwandten Augenkrankheiten leiden und zur weiteren Behandlung überwiesen werden müssen, so eine neue Studie.
Die Ergebnisse für die Entwicklung und Validierung eines "Deep-Learning-Systems" unter Verwendung von Netzhautbildern einer großen multiethnischen Studienpopulation mit Diabetes wurden in der Ausgabe vom 12. Dezember des Journal of American Medical Association von Daniel Shu Wei Ting, MD, PhD, veröffentlicht. des Singapore National Eye Centre mit einer internationalen Gruppe von Kollegen.
Das Deep Learning System (DLS) ist eine neue Technologie der künstlichen Intelligenz (KI), die große Datenmengen verarbeitet und daraus aussagekräftige Muster extrahiert.
Solche Systeme haben im Vergleich zu früheren Bildanalysen vom Typ "Mustererkennung" vielversprechende Ergebnisse erzielt, sagte der leitende Forscher Tien Y Wong, MD, PhD, Professor und medizinischer Direktor des Singapore National Eye Centre und Lehrstuhl für Augenheilkunde an der National University of Singapore Medscape Medical News.
"Der gesamte DLS-Ansatz beinhaltet keine objektive Beurteilung und der Prozess der Merkmalsextraktion erfolgt vollautomatisch. Zahlreiche unkonventionelle Merkmale … werden bewertet. Somit kann DLS Klinikern helfen, subtile Veränderungen, Muster und Anomalien zu erkennen, die vom Menschen übersehen oder ignoriert werden können. "Sagte Dr. Wong.
In der Tat besteht das ultimative Ziel darin, das DLS in Netzhautkameras zu integrieren, die an verschiedenen Orten eingesetzt werden können, einschließlich in der Grundversorgung, in Apotheken oder sogar im Einzelhandel, um Menschen mit Diabetes zu untersuchen und festzustellen, wer einen Augenarzt aufsuchen muss.
Laut dem Studienkoautor Rohit Varma, MD, MPH, Professor für Augenheilkunde und Präventivmedizin an der Keck School of Medicine der Universität von Südkalifornien, Los Angeles, wird erwartet, dass der Ansatz eine beträchtliche Menge an Geld und Ressourcen im Gesundheitswesen einspart.
"Ich denke, mit der Zeit wird es billiger und verfügbarer. Es senkt die [Arbeits-] Kosten und erhöht die Effizienz. Wir möchten es überall dort sehen, wo Menschen kommen", kommentierte Dr. Varma.
Die akademischen Forscher arbeiten noch nicht mit einem Hersteller zusammen, aber einige Unternehmen verfolgen auch die DLS-Technologie für das Retinopathie-Screening. Dazu gehört Google, dessen Ergebnisse zu ihrer Technologie im November 2016 in JAMA veröffentlicht wurden.
Diese neue Studie überwindet einige der Einschränkungen der Google-Studie, die zu diesem Zeitpunkt in einem Leitartikel von Dr. Wong und einem anderen der aktuellen Mitautoren festgestellt wurden. Die derzeitige Testpopulation ist nämlich viel vielfältiger als die von Google, einschließlich einer multiethnischen Population von asiatischen, schwarzen, hispanischen und weißen Personen. Es wird auch ein viel größerer Datensatz verwendet (494.661 gegenüber 9963 Netzhautbildern).
"Dies ist die größte und vielfältigste Studie, die sich damit befasst. Wir wollten alle unterschiedlichen ethnischen Gruppen, insbesondere weil das Pigment in der Netzhaut je nach Rasse und ethnischer Zugehörigkeit unterschiedlich ist. Sie müssen über ein breites Spektrum an ethnischen Gruppen verfügen, um sicherzustellen, dass die DLS wirklich normale vs. abnormal ", erklärte Dr. Varma.
Darüber hinaus untersucht die neue Studie auch die Fähigkeit des DLS, zwei weitere häufige Augenerkrankungen zu erkennen - mögliches Glaukom und altersbedingte Makuladegeneration (AMD) -, da dies für ein Augen-Screening-Tool in der klinischen Praxis erforderlich wäre, und zu bewerten Netzhautbilder unterschiedlicher Qualität von verschiedenen Kameratypen in realen Umgebungen.
Das DLS für referable diabetische Retinopathie wurde unter Verwendung von Netzhautbildern von Patienten mit Diabetes entwickelt und trainiert, die zwischen 2010 und 2013 am National Diabetic Retinopathy Screening Program (SIDRP) in Singapur teilgenommen hatten, das bis 2015 die Hälfte der Diabetespopulation in Singapur untersucht hatte.
Für jeden Patienten wurden zwei digitale Netzhautfotos (Papille und Fovea) von jedem Auge aufgenommen. Das Training des DLS umfasste die Exposition von insgesamt 76.370 Netzhautbildern (mit und ohne jede der drei Bedingungen: diabetische Retinopathie, Glaukom und AMD) gegenüber den neuronalen Netzen, die sich dann anpassten, um zwischen normalen und abnormalen und zwischen Zuständen zu unterscheiden. Nach Abschluss des Trainings kann der DLS verwendet werden, um unsichtbare Bilder zu klassifizieren.
Es wurde dann extern validiert, wobei 10 zusätzliche multiethnische Gruppen von Teilnehmern mit Diabetes aus verschiedenen Umgebungen (Gemeinde, Bevölkerung und Klinik) in Singapur, China, Großbritannien, den USA und Mexiko verwendet wurden. Eine Reihe von Netzhautkameras wurde verwendet, und verschiedene Ebenen von Fachleuten - von Augenärzten bis zu geschultem nichtmedizinischem Personal - dienten als Grader.
Die referierbare diabetische Retinopathie wurde als Schweregrad der diabetischen Retinopathie bei mäßiger nichtproliferativer diabetischer Retinopathie oder schlimmer noch als diabetisches Makulaödem und / oder nicht bewertbares Bild definiert. Eine visusbedrohende diabetische Retinopathie wurde als schwere nicht-proliferative diabetische Retinopathie und proliferative diabetische Retinopathie definiert.
Im primären Validierungsdatensatz (71.896 Bilder) betrug die Prävalenz der referierbaren diabetischen Retinopathie 3, 0%; Sehbedrohliche Retinopathie, 0, 6%, mögliches Glaukom, 0, 1%; und AMD 2, 5%.
Die Empfindlichkeit des DLS beim Nachweis einer referierbaren diabetischen Retinopathie war vergleichbar mit der von ausgebildeten Gradern (90, 5% gegenüber 91, 1%; P = 0, 68), obwohl die Grader eine höhere Spezifität hatten (91, 6% gegenüber 99, 3%; P <0, 001).
Bei visusbedrohender diabetischer Retinopathie hatte der DLS im Vergleich zu ausgebildeten Gradern eine höhere Empfindlichkeit (100% gegenüber 88, 5%; P <0, 001), jedoch eine geringere Spezifität (91, 1% gegenüber 99, 6%; P <0, 001).
Die DLS hatte eine Sensitivität von 96, 4% und eine Spezifität von 87, 2% für ein mögliches Glaukom; und 93, 2% Sensitivität und 88, 7% Spezifität für altersbedingte Makuladegeneration im Vergleich zu professionellen Gradern.
In Nebenanalysen schnitt das DLS in einer Untergruppe von 35.055 Netzhautbildern von ausgezeichneter Qualität und bei vergleichbaren Alters-, Geschlechts-, Blutzuckerkontroll- und ethnischen Untergruppen sowie mit verschiedenen Kameras sogar noch besser ab, sowohl bei referierbarer als auch bei visusbedrohender diabetischer Retinopathie.
Dr. Wong sagte gegenüber Medscape Medical News, dass "Kliniker Technologien einsetzen müssen, die die Versorgung verbessern, die Kosten senken und eine effiziente Nutzung der Zeit des Klinikers zur Behandlung geeigneter Patienten ermöglichen. Sie sollten damit rechnen, dass DLS die Zeit der Kliniker in" einfacher "Form wahrscheinlich übertreffen wird Klassifizierung der Krankheit - das heißt, abwesend im Vergleich zur gegenwärtigen Krankheit. Ärzte müssen daher wahrscheinlich diejenigen mit Krankheit und behandelbarer Krankheit sehen und nicht jeden."
Bevor dies geschieht, wollen die Forscher die Sensitivität und Spezifität des DLS noch weiter verbessern, sagte Dr. Varma. "Wir möchten, dass die falsch-negative Rate so nahe wie möglich bei Null liegt. Sie möchten sich auf die Seite von mehr Personen irren, die eine Prüfung erhalten, anstatt Personen zu vermissen."
Zu diesem Zweck plant die Gruppe, den Datensatz noch weiter zu erweitern, um die Fehlerraten zu reduzieren und den DLS innerhalb der sieben Standardfelder der Retinopathie-Klassifizierung zu testen.
In Zukunft, so sagte er, hoffen sie, auch einen Algorithmus für das Fortschreiten der Retinopathie zu entwickeln, der in ein DLS-basiertes Tool integriert werden kann, das Augenärzte bei der Behandlung von Patienten mit etablierter Retinopathie verwenden können.
Ein solches Werkzeug könnte in der Lage sein, Kombinationen von Merkmalen in der Netzhaut zu identifizieren, die Augenärzte derzeit nicht sehen können.
"Es wäre eine zusätzliche Verbesserung für Netzhautspezialisten, die Fehlerrate zu reduzieren und das Fortschreiten früher zu erkennen. … Hier geht es weiter", sagte Dr. Varma.
In Bezug auf das Screening-Tool kommentierte er außerdem: "Dies ist ein Beispiel dafür, wie Technologie zur Senkung der Gesamtkosten des Gesundheitswesens beiträgt. Technologie ist teuer, aber dies ist ein Beispiel dafür, wo Technologie die Kosten erheblich senken wird.
"Und was noch wichtiger ist, es wird die Krankheitslast verringern. Wir hoffen, dass weniger Menschen erblinden oder das Sehvermögen verlieren und früher versorgt werden. Ich denke, es ist eine Win-Win-Situation für alle."
Das Projekt wurde vom National Medical Research Council, dem Gesundheitsministerium, dem National Health Innovation Centre in Singapur, der SingHealth Foundation und der Tanoto Foundation finanziert. und uneingeschränkte Spenden an die Netzhautabteilung der Johns Hopkins University School of Medicine. Dr. Ting und Dr. Wong sind Mitbegründer eines Patents für das in dieser Studie verwendete Deep-Learning-System. Dr. Varma wird von den US National Institutes of Health finanziert. Angaben für die Mitautoren sind im Papier aufgeführt.
JAMA. 2017; 318: 2199 - 2210. Abstrakt
Weitere Neuigkeiten zu Diabetes und Endokrinologie finden Sie auf Twitter und Facebook.
