Das Makula-Netzhaut-Zentrum wirkt zurzeit als Forschungszentrum an der sogenannten RAZORBILL-Studie mit, in der der Einsatz von Künstlicher Intelligenz (KI) für die Bewertung des Krankheitsverlaufs bei Patienten mit neovaskulärer altersbedingter Makuladegeneration (nAMD) geprüft wird.
Künstliche Intelligenz (KI) wird heute in vielen Bereichen des Lebens eingesetzt, z.B. für Sprachassistenten oder die Gesichtserkennung von Smartphones. In der KI, einem Teilgebiet der Informatik, werden Algorithmen geschrieben, die in der Lage sind, sehr komplexe Aufgaben oder große Datenmengen zu bewältigen. Das Besondere an einer KI ist, dass sie eigenständig lernt, wie sie die jeweilige Aufgabe löst.
Seit der Revolutionierung der bildgebenden Verfahren entstehen in der Augenheilkunde sehr große Datenmengen, deren Muster hochkomplex sind. – Um diese auszuwerten und auffällige oder krankhafte Strukturen zu erkennen, werden seit einiger Zeit KI-basierte Tools entwickelt. In den USA unterstützten solche Alghorithmen bereits mit Erfolg Augenärztinnen und Augenärzte im Bereich des Screenings der diabetischen Retinopathie.
Die RAZORBILL-Studie (NCT04662944) geht nun der Frage nach, wie sich auf künstlicher Intelligenz basierende Tools, die die klinische Entscheidungsfindung unterstützen, auf die Behandlung und die Behandlungsergebnisse von Patienten mit nAMD auswirken und wie diese Tools für den klinischen Arbeitsablauf optimiert werden.[1]
Das MVZ unter der Leitung von Priv.-Doz. Dr. Hakan Kaymak hat als RAZORBILL-Forschungszentrum bisher die meisten Patienten in Deutschland aufgenommen und liegt auf Platz 1.
Patienten mit neovaskulärer altersbedingter Makuladegeneration (nAMD), die bereits eine bestimmte Anti-VEGF-Behandlung erhalten hatten und an der Studie teilnehmen, werden zunächst mittels dreidimensionaler (3D) retinaler optischer Kohärenztomographie (OCT) untersucht. Anschließend werden die in den Befunden dargestellten Netzhautschichten mithilfe fortschrittlicher KI-Segmentierungsalgorithmen segmentiert und vermessen, krankhafte Flüssigkeitseinlagerungen identifiziert, hervorgehoben und quantifiziert. Dadurch treten die Besonderheiten der Befunde deutlicher hervor und können besser für die Bewertung des Krankheitsverlaufs und die Therapienentscheidung herangezogen werden.
Unten sehen Sie Beispiele für OCT-Scans von einigen Krankheitsbildern vor und nach der Bearbeitung durch die KI, die der Beschreibung des Studiendesigns entnommen sind. Diese und weitere Informationen dazu finden Sie in diesem PDF, 1.03 MB >
