Met nieuw ontwikkelde machine learning-modellen blijkt AI voor 91% de progressie van diabetische retinopathie (DRP) juist in te kunnen schatten. Het beoordelen van het risico op progressie van DRP is klinisch moeilijk door de variatie in medische kennis en klinische ervaring. Mogelijk kan AI hierbij helpen.
Doel van de studie ‘Identifying the Risk of Diabetic Retinopathy Progression Using Machine Learning on Ultrawide Field Retinal Images’ was om met AI-algoritmes de progressie van DRP beter te kunnen beoordelen. Hiertoe zijn machine learning (ML)-modellen ontwikkeld en gevalideerd voor DRP-progressie met beelden die gemaakt zijn met ultrawide field (UWF) retinale beeldvorming. Deze beelden zijn gelabeld naar gelang de ernst en progressie van DRP bij aanvang. Dit is gedaan op basis van de klinische beoordeling van de beelden en 3 jaar follow-up met behulp van de dataset die is ontwikkeld in de landmarkstudie Early Treatment Diabetic Retinopathy Study (ETDRS).
9970 unieke beelden
Deze dataset heeft 8 klassen variërend van geen DRP-progressie tot proliferatieve DRP. Het ResNet-model dat op deze dataset is afgestemd, heeft een classificatienauwkeurigheid van 81% en een AUC van 0,967. Het doel van het model is om vals-negatieven te verminderen, ofwel het voorspellen van een klasse die minder progressief is dan het ware label. In totaal werden 9970 unieke beelden beoordeeld. De voorspelde labels van 91% van de afbeeldingen waren ofwel correcte labels of waren de labels met een grotere progressie dan de originele labels.
Nauwkeurig en haalbaar
Deze bevindingen tonen de nauwkeurigheid en haalbaarheid aan van het gebruik van machine learning-modellen voor het identificeren van DRP-progressie. Mogelijk kan het gebruik van deze algoritmen het risico op ziekteprogressie verder verfijnen en screeningsintervallen personaliseren om zo patiënten met DRP effectiever te kunnen behandelen.
Bron: