Szemészet, 2021 (158. évfolyam, 1-4. szám)
2021-03-01 / 1. szám
3. ábra: Nedves AMD egyes DCT-biomarkereinek kézi (2. és 4. oszlop] valamint automatikus szegmentálása C3. oszlop]. 1 . oszlopban az eredeti OCT-képek. Piros - intraretinális ciszták, zöld - SRI? kék - PED, sárga - SHRM (54] ismerésében, amelyek különböző eszköztárral dolgoznak, különféle neurális hálózatokat és képfeldolgozási módszereket felhasználva (21, 54, 72) (3. ábra). Ezek közül érdemes kiemelni Chakravarthy és munkatársai 2016-os vizsgálatát, amelyben először javasoltak DL-módszert nedves AMD aktivitásának meghatározására, folyadék jelenléte vagy hiánya alapján. Vizsgálatukban 142 darab, 128 B-scant tartalmazó OCT-felvétel DL elemzésének eredményeit vetették össze 3 retinaspecialista elemzésének eredményeivel. Arra keresték a választ, hogy aktív-e a chorioidealis neovaszkularizáció (CNV), azaz van-e folyadék (intraretinális, szubretinális, vagy szub-pigmentepithelialis) az adott OCT-felvételen. Az Al-n alapuló automata szegmentáció alapján felállított CNV-aktivitás pontossága megközelítette a retinaspecialisták közötti megállapodás eredményét. Ezen felül az ANN rangsorolta is az egyes betegekhez tartozó OCT B-képeket. A gép megítélte a betegség aktivitását, és eszerint sorba rendezte az azt leginkább tükröző B-képtől azt a legkevésbé tükrözőig. A retinaspecialistáknak elég volt átlagosan 1,08 ilyen kép megtekintése ahhoz, hogy az aktivitást megerősítsék. Ez azt jelentheti, hogy egy jól működő rendszer jelentősen le tudja rövidíteni egy retinával foglalkozó szemész munkáját a nedves AMD-betegség aktivitásának megítélésében (21). Amennyiben a retinát, azon belül is az AMD-t és Al-t elemezzük, akkor nem lehet említés nélkül hagyni a területen úttörő munkásságú bécsi kutatócsoportot Ursula Schmidt-Erfurth vezetésével, akik elsősorban az AMD OCT biomarkereinek pontos kvantifikálásával értek el látványos eredményeket (72), legyen szó nedves AMD folyadéktereiről, vagy intermedier AMD geografikus atrófiás konverziójának becsléséről. Munkacsoportjukhoz fűződik többek között olyan DL ANN megalkotása is, amelynek felhasználásával pro re nata ranibizumabbal kezelt, 317 nedves AMD-s betegek telítő fázis (0-3 hónap) anti-VEGF-kezelése és a detektált, kvantifikált folyadékterek alapján 70-77% pontossággal tudták kategorizálni a betegeket a vizsgálat további 24 hónapjára előrevetítve úgy, mint kevés (0-5 injekció), közepes (6-15 injekció), vagy magas (16-21 injekció) újrakezdésre szoruló betegek (13). Ehhez hasonló predikciós modellt dolgoztak ki egy 1 éves, 210 nedves AMD-s beteget felölelő treat and extend kezelési rezsimű vizsgálat kapcsán is, ahol az AI 75% pontossággal tudta megjósolni, hogy a vizsgálat folyamán a két anti-VEGF-injekció közötti idő kiterjeszthető lesz-e (8 vagy 12 hetes ritmusban kezelhető), vagy sem (4 vagy 6 hetes kezelési ritmusú marad) (14). Nedves AMD kapcsán Al-val becsült végleges látásélesség vonatkozásában is jelent már meg publikáció. Schmidt-Erfurth és munkatársai { 5 • 2018-as cikkükben 600, intravitreális injekcióval kezelt beteg esetén 71% pontossággal jósolták meg gépi tanulásos módszerrel az egyes betegek 12. havi látásélességét a kiindulási, 1., 2., valamint 3. hónapban mért látásélesség és SRF, IRF, PED mély tanulásos mérése alapján (75). Predikció kapcsán még fontos megemlíteni egy szintén Schmidt-Erfurth kutatócsoportjához fűződő vizsgálatot, amelyben 495, nedves AMD miatt az egyik szemen kezelt beteg másik, intermedier kategóriájú AMD-s szemét követték. A 24 hónapos követési idő során 114 szemben alakult ki CNV és 45-ben geografikus atrófia (GA). Korábban fejlesztett algoritmusukat használva modelljük automatikusan meghatározta a drusenek, pseudodrusenek, külső retinarétegek, valamint hiperreflektív pontok térfogatbeli változását. Manuálisan meghatározták a CNV-be és GA-ba történő progresszió idejét és az adatok (OCT-képek) 90%-át mutatták meg modelljüknek, azaz így tanították neurális hálózatukat. Ezt követően a megmaradt, tanításra nem használt betegek képeiből csak az első 4 hónap OCT-felvételét mutatták meg a modellnek predikciót várva tőle, azaz, hogy az adott beteg CNV-be, vagy GA-ba konvertálódik-e és ha igen, mikor. Eredményképpen az AI-modelljük képes volt 80%-os pontossággal jósolni a GA kialakulását, míg a CNV-t 68%-os pontossággal tudta előrejelezni (73, 76).
