Hoewel anti-VEGF-therapie de prognose van patiënten met neovasculaire leeftijdsgebonden maculadegeneratie (nAMD) aanzienlijk heeft verbeterd, blijft nauwkeurige monitoring van ziekteactiviteit een uitdaging. Onderzoekers uit Spanje ontwikkelden een deep learning-model dat de progressie van nAMD over een periode van 3 maanden voorspelt op basis van optical coherence tomography (OCT)-scans.1
Het model maakt gebruik van multiple instance learning (MIL), een kunstmatige intelligentiebenadering die niet naar afzonderlijke OCT-plakjes kijkt, maar een volumescanset als geheel beoordeelt. De methode laat het algoritme focussen op de meest informatieve beelden. Het model is getraind met de dataset van de MARIOMICCAI 2024 challenge, met 493 OCT-scans van 102 patiënten die behandeld werden met anti-VEGF. 2 oogartsen labelden de ziekteactiviteit als verminderd, stabiel of toegenomen. Het model getraind op volledige OCT-volumes behaalde een F1-score van 0,74, een specificiteit van 0,69 en een gemiddelde prestatie van 0,43 over verschillende evaluatiemaatstaven. Opvallend genoeg leverde training met slechts 25 geselecteerde OCT-slices een vergelijkbare prestatie (F1-score 0,73, specificiteit 0,70).
In vergelijking met RET Found, een bestaand OCT-analysemodel dat met enkelvoudige plakjes werkt, presteerde de nieuwe aanpak duidelijk beter. RET Found behaalde slechts een F1-score van 0,70 en een veel lagere gemiddelde prestatie (0,35). Volgens de onderzoekers kan het gebruik van verscheidene OCT-plakjes de beoordeling van ziekteactiviteit aanzienlijk verbeteren. Dit zou in de toekomst kunnen bijdragen aan meer gepersonaliseerde behandelstrategieën en mogelijk ook aan efficiëntere follow-upschema’s. Verdere studies zijn nodig om de impact op de dagelijkse klinische praktijk en patiëntenzorg te evalueren.
Bron:
- Torresano Rodriguez J, et al. AI for personalized monitoring of AMD progression in antiVEGF therapy. EURETINA Congress 2025, ePoster.