In einer aktuellen Studie veröffentlicht in Naturmedizin, Forscher aus China haben ein Deep-Learning-System (DL) namens „DeepDR Plus“ entwickelt, um das Fortschreiten der diabetischen Retinopathie (DR) anhand von Fundusbildern von Patienten vorherzusagen. Sie fanden heraus, dass das System das Risiko und die Zeit bis zum Fortschreiten der DR innerhalb von fünf Jahren erfolgreich vorhersagen konnte, was Möglichkeiten für individualisierte Screening-Systeme eröffnete.
Studie: Ein Deep-Learning-System zur Vorhersage der Zeit bis zum Fortschreiten der diabetischen Retinopathie. Bildnachweis: Anukool Manoton / Shutterstock
Hintergrund
DR entwickelt sich häufig als asymptomatische Komplikation bei Erwachsenen mit Diabetes, kann jedoch im Laufe der Zeit zu einer vermeidbaren Erblindung führen. Das Risiko einer DR-Progression ist individuell unterschiedlich und wird von mehreren Faktoren beeinflusst. Daher ist es schwierig, das Risiko und die Geschwindigkeit der DR-Progression bei Patienten vorherzusagen. Daher wird den Patienten empfohlen, jedes Jahr ein DR-Screening durchzuführen. Das Fehlen eines personalisierten Risikomodells und eines genauen Vorhersagesystems hält Ärzte davon ab, eine Verlängerung des Screening-Intervalls zu empfehlen, obwohl der Ansatz sehr kosteneffektiv ist.
Künstliche Intelligenz (insbesondere DL) hat sich bei der Automatisierung der DR-Erkennung anhand von Netzhautbildern als vielversprechend erwiesen. Der aktuellen Forschung fehlt jedoch eine prospektive Risikovorhersage für den Beginn und das Fortschreiten der DR über einen Zeitraum von zwei Jahren hinaus, und es sind weitere Studien erforderlich, um die Auswirkungen auf die Patientenergebnisse und die Integration in klinische Arbeitsabläufe zu bewerten.
Um diese Lücken zu schließen, bauten die Forscher in der vorliegenden Studie auf ihren früheren Arbeiten auf und entwickelten, validierten und testeten „DeepDR Plus“ als Werkzeug zur Vorhersage von DR-Progressionsverläufen bis zu fünf Jahre im Voraus. Darüber hinaus demonstrierten sie die Ergebnisse des Tools anhand einer realen Studie, die an Patienten mit Diabetes durchgeführt wurde.
Über die Studie
DeepDR Plus wurde anhand von 717.308 Fundusbildern von 179.327 Diabetikern vorab trainiert, die am Shanghai Integrated Diabetes Prevention and Care System und dem Shanghai Diabetes Prevention Program teilnehmen. Die interne Entwicklung und Validierung erfolgte anhand eines Datensatzes von 76.400 Fundusbildern aus der Kohorte der Diabetic Retinopathy Progression Study (DRPS), weiter unterteilt in Entwicklungs- und interne Testsätze. Der Konkordanzindex (C-Index) und der Integrated Brier Score (IBS) wurden zur Bewertung der Leistung des Fundusmodells verwendet. Die Generalisierbarkeit des Modells wurde durch externe Validierungen anhand von acht unabhängigen Längsschnittkohorten mit umfassenden demografischen, anthropometrischen und biochemischen Basisdaten bewertet. Die DR-Bewertungen wurden auf der Grundlage der International Clinical Diabetic Retinopathy Disease Severity Scale verteilt. Für die weitere Analyse wurden drei Untergruppen von Patienten erstellt: (1) Diabetes ohne Retinopathie zu DR, (2) nicht übertragbare DR zu übertragbarer DR und (3) nicht sehbedrohende DR bis sehbedrohende DR. Die statistische Analyse umfasste die Verwendung eines Log-Rank-Tests, einer Cox-Regressionsanalyse und die Bestimmung der Fläche unter der Kurve, des mittleren absoluten Fehlers und des Bestimmungskoeffizienten.
Um DeepDR Plus in einer realen Umgebung anzuwenden, wurde eine gemeinschaftsbasierte prospektive Kohortenstudie durchgeführt. Es umfasste 2.185 chinesische Erwachsene, aufgeteilt in integrierte Management- (IM) und Nicht-IM-Gruppen. Die Fundus- und Metadatenmodelle wurden zur Bewertung des DR-Progressionsrisikos verwendet. Darüber hinaus wurde eine reale Studie in einer indischen prospektiven Kohorte mit 992 Diabetikern durchgeführt, die vier Jahre lang nachuntersucht wurden.
AVergleiche von farbigen Fundusfotos zu Beginn und im Follow-up unter Verwendung von Aufmerksamkeitskarten. BMittlere Aufmerksamkeitskarten und entsprechende Stapelfundusbilder für jede DR-Progression und die Untergruppen 1–3. C, Balkendiagramm (links) des Fundus-Scores und der klinischen Merkmale sowie deren Beitrag zum Vorhersagemodell der DR-Progression. Die Features sind im Modell in absteigender Reihenfolge nach Beitrag (auch Wichtigkeit genannt) geordnet. Details zu Assoziationen werden in einem Bienenschwarmdiagramm (rechts) angezeigt, in dem jeder Punkt einen Teilnehmer darstellt. Die Farbe gibt den Wert des Merkmals an, wobei Rot für einen höheren Wert und Blau für einen niedrigeren Wert steht. Ein negativer SHAP-Wert weist auf eine negative Merkmalszuordnung für die Vorhersage der DR-Progression hin; Ein positiver SHAP-Wert weist auf eine positive Merkmalszuordnung für die Vorhersage der DR-Progression hin.
Resultate und Diskussion
Bei der internen Validierung wurde festgestellt, dass das Fundusmodell trotz der Verwendung von Bildern mit niedriger Auflösung besser abschneidet als das Metadatenmodell, gemessen anhand der C-Indizes. In den Jahren 1–5 behielt das Fundusmodell über acht externe Datensätze hinweg eine robuste Leistung bei und demonstrierte die Genauigkeit bei der Vorhersage der spezifischen Zeit bis zum Fortschreiten der DR, wie hohe C-Indizes und IBS zeigen.
Die Untergruppenanalyse zeigte, dass DeepDR Plus verschiedene Arten der Verschlechterung des DR-Grades über einen Zeitraum von fünf Jahren in den drei Untergruppen effektiv vorhersagen konnte und im Vergleich zum Metadatenmodell verbesserte C-Indizes und Reizdarmsyndrom erzielte.
In der auf einer chinesischen Kohorte basierenden realen Studie konnte das Fundusmodell mit umfassenden Interventionen eine DR-Progressionsinzidenz von 46,8 % relativ verhindern. Die auf einer indischen Kohorte basierende Praxisstudie zeigte, dass das Fundusmodell durch umfassende Interventionen dazu beitragen könnte, 88,74 % der DR-Progressionsinzidenz im Vergleich zum Metadatenmodell zu verhindern. Wenn Teilnehmer sowohl in der IM- als auch in der Nicht-IM-Gruppe die vom Fundusmodell empfohlenen personalisierten Screening-Intervalle einhielten, könnte das durchschnittliche Screening-Intervall von 12 Monaten auf 31,97 Monate verlängert werden. Insgesamt könnte das Fundusmodell die Teilnehmer präziser kategorisieren, was personalisierte Interventionen ermöglicht und die Häufigkeit von Screenings auf diabetische Retinopathie verringert und gleichzeitig Verzögerungen bei der Erkennung eines Fortschreitens minimiert.
Weitere Analysen zeigten, dass sich die Vorhersagen des Tools auf Netzhautgefäße und die Fovea konzentrieren, unterstützt durch Aufmerksamkeitskarten und quantitative Messungen über die Gefäßgeometrie der Netzhaut hinaus.
Allerdings ist die Studie durch die Schulung von DeepDR Plus an einer chinesischen Bevölkerung, mögliche intrinsische Verzerrungen, Leistungsschwankungen bei unterschiedlichen Behandlungsschemata und das Fehlen einer tatsächlichen klinischen Anwendung begrenzt. Dies unterstreicht die Notwendigkeit zukünftiger Tests und Studien zur Validierung KI-gesteuerter DR-Screenings und -Interventionen.
Abschluss
Zusammenfassend lässt sich sagen, dass DeepDR Plus mithilfe von Basisbildern des Fundus das individuelle Risiko und die Zeit bis zum Fortschreiten der DR zuverlässig vorhersagen kann. Die praktische Anwendung lässt auf eine mögliche Verlängerung der Screening-Intervalle auf etwa 32 Monate schließen. Die Ergebnisse zeigen eine vielversprechende Integration des Tools in klinische Arbeitsabläufe für individuelle DR-Managementstrategien zur Verbesserung der Patientenergebnisse.
