idw – Informationsdienst Wissenschaft

Nachrichten, Termine, Experten

Grafik: idw-Logo
Grafik: idw-Logo

idw - Informationsdienst
Wissenschaft

Science Video Project
idw-Abo

idw-News App:

AppStore

Google Play Store



Instance:
Share on: 
11/12/2020 10:37

Deep Learning in Kliniken: Neue Methode ermöglicht automatisierte Diagnose diabetesbedingter Augenkrankheit

Verena Schulz Kommunikation
Helmholtz Zentrum München - Deutsches Forschungszentrum für Gesundheit und Umwelt

    Forschende des Helmholtz Zentrums München haben gemeinsam mit der Augenklinik des Klinikums der Universität München (LMU) und der Technischen Universität München (TUM) eine neue Methode entwickelt, die die automatisierte Diagnose von Augenkrankheiten wie diabetischer Retinopathie effizienter macht. Da die Methode den Bedarf an teuren annotierten Daten für das Trainieren des Algorithmus reduziert, ist sie für Kliniken besonders attraktiv. Für den Anwendungsfall der diabetischen Retinopathie entwickelte die Forschungsgruppe einen Screening-Algorithmus, der 75 Prozent weniger annotierte Daten benötigt und Diagnosen mit der gleichen Leistung durchführen kann wie Fachkräfte.

    Künstliche Intelligenz und Deep Learning sind in den letzten Jahren für Kliniken immer interessanter geworden – beispielsweise zur automatisierten Auswertung medizinischer Bilddaten. Um Deep-Learning-Algorithmen beizubringen, Bilder korrekt auszuwerten und Diagnosen vorherzusagen, sind große Mengen an annotierten (mit Informationen versehenen) Daten notwendig. In Kliniken sind annotierte Daten jedoch oft rar, da das Hinzufügen der Informationen durch Fachkräfte sehr kostspielig ist. In der Forschung war man deshalb auf der Suche nach Lösungen, um den Bedarf an großen Datenmengen mit teuren Annotationen zu reduzieren, ohne Einbuße 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 in Risikopatienten 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. Diese Algorithmen benötigen eine große Anzahl an Fundus-Bildern mit teuren Annotationen. Anhand dieser lernen sie, die Bilder korrekt auszuwerten.

    Die Augenklinik der LMU verfügt über einen Datensatz mit mehr als 120.000 Fundus- und dazugehörigen OCT-Bildern. OCT (optische Kohärenztomografie) liefert präzise Informationen über die Netzhautdicke, wird aber aufgrund der hohen Kosten nicht in jedem Augenzentrum durchgeführt. Die LMU stellte ihre Daten Forschenden des Helmholtz Zentrums München zur Verfügung, die auf dem Gebiet der künstlichen Intelligenz in medizinischen Anwendungen Pionierarbeit leisten.

    Pre-Training unter „Selbstaufsicht“
    „Unser Ziel war es, diese einzigartig große Menge an Fundus- und OCT-Bildern zu nutzen, um eine Methode zu entwickeln, die den Bedarf an teuren annotierten Daten für das Training des Algorithmus reduziert“, sagt Olle Holmberg, Erstautor der Studie am Helmholtz Zentrum München und der TUM School of Life Sciences.

    Die Forschungsgruppe entwickelte eine neue Methode, die sie als „cross modal self-supervised retinal thickness prediction“ bezeichnet. Diese Methode nutzen sie zum „Pre-Training“ des Deep-Learning-Algorithmus mit den Daten der LMU. Dabei brachte sich der Algorithmus selbst bei, nicht-annotierte Fundus-Bilder auf Basis unterschiedlicher OCT-abgeleiteter Profile der Netzhautdicke zu erkennen. Damit gelang es dem Algorithmus, die Netzhautdicke allein auf Basis des Fundus-Bildes vorherzusagen.

    Hohe Leistung mit nur einem Viertel der Trainingsdaten
    Die neue Methode verringert den Bedarf an teuren annotierten Daten für das Training des Deep-Learning-Algorithmus erheblich. Bei automatisierten Screenings für diabetische Retinopathie erreichte der Algorithmus die diagnostische Leistung sowohl von medizinischen Fachkräften als auch von Algorithmen, die weit mehr Trainingsdaten benötigen.

    „Wir haben es geschafft, den Bedarf an annotierten Daten um 75 Prozent zu reduzieren”, sagt Prof. Fabian Theis, Direktor des Instituts für Computational Biology am Helmholtz Zentrum München und Wissenschaftlicher Direktor von Helmholtz AI, der Plattform für künstliche Intelligenz der Helmholtz Gemeinschaft. „Die geringe Verfügbarkeit annotierter Daten ist eine große Herausforderung für die Medizin. Wir haben es deshalb zu unserem Ziel gemacht, Methoden zu entwickeln, die weniger Daten benötigen und sich dadurch für den klinischen Einsatz eignen. Kliniken können unseren Screening-Algorithmus für diabetische Retinopathie ab sofort nutzen. Dies ist ein perfektes Beispiel dafür, wie wir mit künstlicher Intelligenz den Alltag in der Medizin und somit auch die Gesundheit aller verbessern können.“

    „Die automatisierte Erkennung und Diagnose der diabetischen Retinopathie auf Basis der weit verbreiteten Fundus-Fotografie stellt für Vorsorgeuntersuchungen eine echte Verbesserung dar. Damit könnten auch die Überweisungen von Patienten an teilweise überfüllte spezialisierte Augenkliniken reduziert werden“, sagt Dr. med. Karsten Kortüm von der Augenklinik der LMU, der für den klinischen Teil dieser Studie verantwortlich war.

    Darüber hinaus erreichten die Forschenden eine weitere Reduktion, nämlich bei der „Größe des Algorithmus“, d.h. der Anzahl seiner Parameter. Die neue Methode ermöglicht bis zu 200 Mal kleinere Algorithmen. Dies wiederum könnte den Einsatz auf mobilen oder eingebetteten Geräten im klinischen Umfeld erleichtern.

    Weitere Anwendungen
    Neben der diabetischen Retinopathie kann die neue Methode auch für andere Anwendungen genutzt werden – insbesondere für solche mit vielen Daten ohne Annotation durch Fachkräfte. Im Bereich von Augenkrankheiten könnten Screenings für die altersbedingte Makuladegeneration (AMD) von der neuen Methode profitieren.

    Verfügbarkeit
    Der Algorithmus ist auf GitHub verfügbar: https://github.com/theislab/DeepRT

    Helmholtz Zentrum München
    Das Helmholtz Zentrum München verfolgt als Forschungszentrum die Mission, personalisierte medizinische Lösungen zur Prävention und Therapie umweltbedingter Krankheiten für eine gesündere Gesellschaft in einer sich schnell verändernden Welt zu entwickeln. Es erforscht das Entstehen von Volkskrankheiten im Kontext von Umweltfaktoren, Lebensstil und individueller genetischer Disposition. Besonderen Fokus legt das Zentrum auf die Erforschung des Diabetes mellitus, Allergien und chronischer Lungenerkrankungen. Der Hauptsitz des Zentrums liegt in Neuherberg im Norden Münchens. Das Helmholtz Zentrum München beschäftigt rund 2.500 Mitarbeitende und ist Mitglied der Helmholtz-Gemeinschaft, der größten Wissenschaftsorganisation Deutschlands mit mehr als 40.000 Mitarbeitenden in 19 Forschungszentren.


    Contact for scientific information:

    Prof. Fabian Theis
    Institute of Computational Biology
    Helmholtz Zentrum München
    E-Mail: fabian.theis@helmholtz-muenchen.de


    Original publication:

    Holmberg et al., 2020: Self-supervised retinal thickness prediction enables deep learning from unlabeled data to boost classification of diabetic retinopathy. Nature Machine Intelligence, DOI: 10.1038/s42256-020-00247-1


    Images

    Algorithmus sagt die Netzhautdicke voraus. Von links nach rechts: Fundus-Bild, OCT-Bild, tatsächliche Netzhautdicke, vorhergesagte Netzhautdicke.
    Algorithmus sagt die Netzhautdicke voraus. Von links nach rechts: Fundus-Bild, OCT-Bild, tatsächlich ...

    Helmholtz Zentrum München

    Vorhergesagte Netzhautdicke auf Basis von Fundus-Bildern.
    Vorhergesagte Netzhautdicke auf Basis von Fundus-Bildern.

    Helmholtz Zentrum München


    Criteria of this press release:
    Business and commerce, Journalists, Scientists and scholars
    Medicine
    transregional, national
    Research results
    German


     

    Help

    Search / advanced search of the idw archives
    Combination of search terms

    You can combine search terms with and, or and/or not, e.g. Philo not logy.

    Brackets

    You can use brackets to separate combinations from each other, e.g. (Philo not logy) or (Psycho and logy).

    Phrases

    Coherent groups of words will be located as complete phrases if you put them into quotation marks, e.g. “Federal Republic of Germany”.

    Selection criteria

    You can also use the advanced search without entering search terms. It will then follow the criteria you have selected (e.g. country or subject area).

    If you have not selected any criteria in a given category, the entire category will be searched (e.g. all subject areas or all countries).