gms | German Medical Science

Hintergrund: Der Einsatz künstlicher Intelligenz (KI) in medizinischen Anwendungen birgt neben Chancen auch Risiken und ist mit Vorbehalten belastet. Aus diesem Grund ist eine Überprüfung der KI-Algorithmen an externen Daten hinsichtlich Robustheit und Genauigkeit wichtig, um die Akzeptanz bei Ärzten und Patienten zu verbessern. Dazu haben wir SD-OCTs von Patienten mit neovaskulärer AMD (nAMD) aus dem ORCA-Datensatz der nichtinterventionellen OCEAN-Studie herangezogen. Ziel dieses Projektes war es, zuvor entwickelten KI-Segmentierungsmodelle für SD-OCTs bei Patienten mit einer nAMD auf diesem externen Real-life-Datensatz mit OCT-Geräten unterschiedlicher Hersteller zu validieren.

Methoden: Aus 1.964 retinalen SD-OCTs verschiedener OCT-Hersteller bei Patienten mit einer nAMD wurden zwei Datensätze gebildet und mit vorhandenen KI-Modellen verschiedene Biomarker (intraretinale Flüssigkeit, IRF, subretinale Flüssigkeit, SRF, Pigmentepithelabhebung, PED) in segmentiert. Mit dem ersten Datensatz wurden Schwellwerte optimiert, um analog zur ORCA-Codierung die verschiedenen Ausprägungen automatisch anhand des Volumens der segmentierten Biomarker zu bestimmen (vorhanden, nicht vorhanden). Die Güte dieser automatischen Graduierung wurde unter Zuhilfenahme des zweiten Datensatzes bestimmt.

Ergebnisse: Aufgrund kleiner, falsch positiver segmentierter Flächen wurden die Schwellwerte für die einzelnen Biomarker optimiert, und zwar für IRF 0 Voxel, SRF 4000 Voxel (=0,0212 mm³) und PED 2000 Voxel (=0,0106 mm³). Die erreichte Accuracy betrug dann bei IRF 89% bei SRF 84% und bei PED 89%.

Schlussfolgerungen: Eine Validierung KI-basierter Algorithmen auf externen Real-life-Datensätzen ist wichtig, um die Generalisierbarkeit der Methoden objektiv zu untersuchen und die erreichten Ergebnisse unter klinische Bedingungen einzuordnen. Bei unseren Analysen haben wir wesentliche Erkenntnisse hinsichtlich der Erkennung verschiedener retinaler Biomarker bei nAMD gewonnen. Wir konnten dadurch die erreichten Ergebnisse objektiv einordnen und die Modelle einzelner Biomarker durch z.B. zusätzliche Annotationen verbessern. Die Wichtigkeit einer externen Validierung von KI-gestützten medizinischen Algorithmen spiegelt die Diversität klinischer Bedingungen und Voraussetzungen wider. In Folgeprojekten soll die Robustheit gegenüber Faktoren wie Aufnahmemodalitäten und verschiedene Patientenpopulationen analysiert und die Methoden weiter generalisiert werden.