Deep Learning wirft ein neues Licht auf die Parkinson-Erkennung durch das Auge

Ein kürzlich Wissenschaftliche Berichte Studie diskutiert das Potenzial der Netzhautfundus-Bildgebung als diagnostische Screening-Methode für die Parkinson-Krankheit (PD).

Studie: Deep Learning sagt anhand der Fundusbildgebung der UK Biobank die Häufigkeit und Häufigkeit der Parkinson-Krankheit voraus. Bildquelle: recep art / Shutterstock.com

Hintergrund

Parkinson ist mit einem allmählichen Rückgang der motorischen Kontrolle und mehreren nichtmotorischen Symptomen verbunden, die auf den fortschreitenden Verlust dopaminerger Neuronen in der Substantia nigra des Gehirns zurückzuführen sind.

Die Zahl der PD-bedingten Todesfälle hat sich seit dem Jahr 2000 mehr als verdoppelt, was hauptsächlich auf den Mangel an qualitativ hochwertigen Interventionen bei älteren Menschen zurückzuführen ist. Daher ist weitere Forschung erforderlich, um die Pathologie der Parkinson-Krankheit besser zu verstehen und frühe Diagnosesysteme zu entwickeln.

Die Netzhaut, oft als Fenster zum Gehirn bezeichnet, bietet eine praktikable Möglichkeit zur Beurteilung neuropathologischer Prozesse, die mit vielen neurodegenerativen Erkrankungen verbunden sind. Trotz der jüngsten Fortschritte sind die klinischen Ergebnisse zur Netzhautdegeneration nicht immer unschlüssig, was weitere Forschung zur Verbesserung der Diagnoseleistung der Netzhaut erfordert.

Zu diesem Zweck haben sich Algorithmen der künstlichen Intelligenz (KI), einschließlich Deep-Learning-Modellen und herkömmlicher Algorithmen für maschinelles Lernen, als effiziente Diagnosewerkzeuge herausgestellt.

Über die Studie

Um ein tiefes Verständnis der retinalen Biomarker der Parkinson-Krankheit zu entwickeln, ist eine gründliche Kenntnis der strukturellen Degeneration des retinalen Gefäßsystems erforderlich. Obwohl dies klinisch oft schwierig zu erreichen ist, könnte KI dabei helfen, die komplexen Zusammenhänge auf der lokalen und globalen räumlichen Ebene der Netzhaut aufzuklären. Die vorliegende Studie schlägt den Einsatz von KI-Algorithmen zur Bewältigung der oben genannten Herausforderung vor und ist eine der ersten umfassenden KI-Studien zur Diagnose von PD anhand der Fundusbildgebung.

Das Hauptziel der Studie bestand darin, die Klassifizierungsleistung in verschiedenen Phasen der Parkinson-Krankheitsprogression, einschließlich inzidenter und vorherrschender Parkinson-Krankheit, systematisch zu profilieren. Durch die Vernachlässigung jeglicher Methoden zur Merkmalsauswahl oder externer quantitativer Messungen maximierten die Forscher die Diagnosefähigkeit von KI-Algorithmen. Die Robustheit wurde durch Deep Learning und herkömmliche Methoden des maschinellen Lernens hergestellt.

Studienergebnisse

Tiefe neuronale Netze übertrafen herkömmliche Modelle des maschinellen Lernens und zeigten eine bemerkenswerte Leistung bei der Erkennung von PD in Bildern des Netzhautfundus. Das Modell konnte die Inzidenz der Parkinson-Krankheit vor der offiziellen Diagnose mit einer Sensitivität von 80 % im Zeitraum von null bis 5,07 Jahren erfolgreich vorhersagen.

Zwischen 5,07 und 5,57 Jahren stieg die Sensitivität auf 93,33 % und sank dann zwischen 5,57 und 7,38 Jahren auf 81,67 %. Diese Ergebnisse sind vielversprechend, da sie das Potenzial für eine frühzeitige Intervention bei Krankheiten zeigen.

Automatisierte tiefe neuronale Netze können Augenärzte bei der Identifizierung von Krankheitsbiomarkern und der Durchführung der Hochdurchsatzbewertung unterstützen. Bisher ist eine KI-basierte PD-Beurteilung mithilfe der Netzhaut selten. Wichtig ist, dass in früheren Untersuchungen Deep Learning und herkömmliche Methoden des maschinellen Lernens nicht verglichen wurden.

Im Gegensatz dazu evaluierte die aktuelle Studie eine breite Palette von Deep-Learning- und herkömmlichen Methoden des maschinellen Lernens, um das gesamte Fundusbild als diagnostisches Medium zu berücksichtigen. Darüber hinaus konnten Patienten mit prävalenter und inzidenter Parkinson-Krankheit mit einer Genauigkeit von 68 % erfolgreich von entsprechend passenden gesunden Kontrollpersonen unterschieden werden.

Schlussfolgerungen

In der aktuellen Studie wurden herkömmliche maschinelle Lernmodelle von Deep-Learning-Modellen übertroffen, um PD anhand von Netzhautfundusbildern präzise vorherzusagen. Diese Methode war robust gegenüber Bildstörungen, was für eine frühe Behandlung vielversprechend ist.

Es wird erwartet, dass diese Arbeit die Grundlage für zukünftige Forschungen bildet und als Referenz für die Auswahl von Algorithmen sowohl hinsichtlich ihrer Interpretierbarkeit als auch ihrer Leistung dient.

Eine grundlegende Einschränkung dieser Studie ist die Größe des Datensatzes, der verbessert werden könnte, um ein breiteres Spektrum an PD-Präsentationen zu erfassen. Zweitens basiert die Studie auf der Bevölkerung des Vereinigten Königreichs, wodurch die Generalisierbarkeit der Ergebnisse eingeschränkt wird.

Eine weitere Einschränkung der aktuellen Studie besteht darin, dass die Forscher nicht berichteten, wie dieser Ansatz auf verschiedene Schweregrade der Parkinson-Krankheit angewendet werden könnte. Obwohl sich die aktuelle Studie auf Parkinson konzentrierte, bleibt unklar, ob andere neurogenerative Erkrankungen wie die Alzheimer-Krankheit sowie bestimmte Augenerkrankungen ähnliche Degenerationsmuster oder Biomarker aufweisen.

Zukünftige Forschungen sollten auch untersuchen, ob die Modellvorhersagen die Einstufung durch Augenärzte beeinflussen können. Dies könnte jedoch kompliziert sein, da die visuellen Biomarker häufiger Augenerkrankungen besser verstanden sind als die der Parkinson-Krankheit.

Zusammengenommen erfordern diese Einschränkungen zusätzliche Forschung mit verschiedenen Stichproben, um die Vertrauenswürdigkeit von KI-Modellen im klinischen Umfeld festzustellen.