Um Deep-Learning-Algorithmen beizubringen, Bilder korrekt auszuwerten und Diagnosen vorherzusagen, sind große Mengen an Daten notwendig. Diese Daten müssen mit bestimmten Informationen (‚Annotationen‘), versehen sein. Das Hinzufügen dieser Informationen durch Fachkräfte in den Kliniken ist jedoch sehr kostspielig und zeitaufwändig. Forschende suchen daher nach Lösungen, um den Bedarf an großen Datenmengen mit teuren Annotationen zu reduzieren, ohne Einbußen in der Leistung des Algorithmus in Kauf nehmen zu müssen.
Anwendungsfall diabetische Retinopathie
Diabetische Retinopathie ist eine durch Diabetes hervorgerufene Augenerkrankung, die die Netzhaut schädigt und zur Erblindung führen kann. Zur frühzeitigen Diagnose der Krankheit bei Risikopatientinnen und -patienten wird die Dicke der Netzhaut regelmäßig gemessen. Dafür nehmen Kliniken ein Bild des Fundus auf, der Oberfläche der Rückseite des Auges. Um die Auswertung dieser Aufnahmen zu automatisieren, haben einige Kliniken begonnen, Deep-Learning-Algorithmen einzusetzen.
Anhand eines Datensatzes mit mehr als 120.000 Fundus- und dazugehörigen Bildern der optischen Kohärenztomografie (OCT) entwickelten Forschende eine Methode, die den Bedarf an teuren annotierten Daten für das Training des Algorithmus um ein Vielfaches reduziert.
Bei automatisierten Screenings für diabetische Retinopathie erreichte der selbstlernende Algorithmus die diagnostische Leistung sowohl von medizinischen Fachkräften als auch von bisher verfügbaren Algorithmen, die weit mehr Trainingsdaten benötigen. Damit gelang es dem Algorithmus, die Netzhautdicke allein auf Basis eines Fundus-Bildes vorherzusagen.
Die Autorinnen und Autoren betonen, der Screening-Algorithmus sei ein perfektes Beispiel dafür, wie künstliche Intelligenz den Alltag in der Medizin und somit die Gesundheit aller verbessern könne. Kliniken könnten ihn für die Diagnostik der diabetischen Retinopathie ab sofort nutzen.
Im Bereich von Augenkrankheiten könnten auch Screenings für die altersbedingte Makuladegeneration (AMD) zukünftig von der neuen Methode profitieren.
Quellen:
Holmberg, O. G. et al.: Self-supervised retinal thickness prediction enables deep learning from unlabeled data to boost classification of diabetic retinopathy. In: Nature Machine Intelligence, 2020, 2: 719-726
Helmholtz Zentrum München: Deep Learning in Kliniken: Neue Methode ermöglicht automatisierte Diagnose diabetesbedingter Augenkrankheit. Pressemitteilung vom 12.11.2020