Deep-Learning-basierte Phänotypisierung und Vorhersage der Krankheitsprogression bei geographischer Atrophie infolge altersabhängiger Makuladegeneration
Zusammenfassung der Projektergebnisse
Die altersabhängige Makuladegeneration (AMD) ist die häufigste Ursache für einen Verlust der zentralen Sehschärfe in Industrienationen. Während die exsudative Spätform („feuchte AMD“) sich mittels anti-VEGF Injektionen behandeln lässt, gibt es für die nicht-exsudative Spätform („trockene AMD“), die „geographische Atrophie“ (GA) genannt wird, bislang keine Therapie. Die Etablierung eine Therapie für GA ist herausfordernd, da (1) die atrophen Areale nur sehr langsam fortschreiten, (2) es womöglich innerhalb von AMD verschiedene Untergruppen gibt, und (3) die Auswirkung auf die Funktion anfangs schleichend ist. Das DFG-geförderte Projekte zielte daher auf eine (1) verbesserte Quantifizierung des Krankheitsfortschritts, (2) unvoreingenommene, datengesteuerte Identifizierung von Subgruppen, und (3) genaue Vorhersage des Funktionsverlustes anhand von Bildgebung. Mittels modernster Bilddaten aus der Directional Spread in Geographic Atrophy durchgeführt, konnten wir an einem Laboratory of Quantitative Imaging (Stanford University) ein neues, Deep-Learning-basiertes Verfahren etablieren. Dieses erlaubt die Segmentierung sämtlicher äußerer Netzhautschichten in der optischen Kohärenztomographie in Patienten mit AMD. Überraschenderweise zeigte sich, dass sich die äußere Netzhaut nicht nur im unmittelbaren Randbereich von GA über die Zeit verdünnt, sondern auch in weiter entfernt gelegenen Regionen in der Makula. Diese zweite Form noch Netzhautdegeneration („Makula-weite“ Photorezeptor-Degeneration) beschreibt eine weitere Facette der Krankheit und kann als Verlaufsparameter herangezogen werden. Es gelang uns zudem, mit einem probabilistischen Machine-Learning-Modell den zukünftigen Therapiebedarf bei exsudativer AMD („feuchter AMD“) vorherzusagen. Entscheiden für die klinische Anwendbarkeit konnten wir zeigen, dass die Vorhersageintervalle adäquat die Unsicherheit des Modells widerspiegeln. Somit können klinische Anwender Daten-basiert entscheiden, dem Modell zu vertrauen oder (Rückfall Alternative) das Bildmaterial nochmal ‚händisch‘ zu bewerten. Weiterhin etablierten wir Machine-Learning-Modelle, um den Verlust des Sehvermögens infolge von GA anhand von Bildgebungs-Daten vorherzusagen. Die Beurteilung der Sehfunktion bei Patienten mit GA ist tendenziell zeitaufwendig - insbesondere die Funduskontrollierte Gesichtsfeldmessung (auch "Mikroperimetrie" genannt). Die jetzt etablierte räumlich aufgelöste Vorhersage und Kartierung der Netzhautfunktion ermöglicht eine klinische Beurteilung.
Projektbezogene Publikationen (Auswahl)
-
Determinants of Cone and Rod Functions in Geographic Atrophy: AI-Based Structure-Function Correlation. Am J Ophthalmol; 217:162-173
Pfau M, von der Emde L, Dysli C, Möller PT, Thiele S, Lindner M, Schmid M, Rubin DL, Fleckenstein M, Holz FG, Schmitz-Valckenberg S.
-
Progression of Photoreceptor Degeneration in Geographic Atrophy Secondary to Age-related Macular Degeneration. JAMA Ophthalmol; 138(10):1026-1034
Pfau M, von der Emde L, de Sisternes L, Hallak JA, Leng T, Schmitz-Valckenberg S, Holz FG, Fleckenstein M, Rubin DL.
-
Probabilistic Forecasting of Anti-VEGF Treatment Frequency in Neovascular Age-Related Macular Degeneration. Transl Vis Sci Technol; 10(7):30.
Pfau M, Sahu S, Rupnow RA, Romond K, Millet D, Holz FG, Schmitz-Valckenberg S, Fleckenstein M, Lim JI, de Sisternes L, Leng T, Rubin DL, Hallak JA.
-
Photoreceptor degeneration in ABCA4-associated retinopathy and its genetic correlates. JCI Insight; 7(2):e155373
Pfau M, Cukras CA, Huryn LA, Zein WM, Ullah E, Boyle MP, Turriff A, Chen MA, Hinduja AS, Siebel HE, Hufnagel RB, Jeffrey BG, Brooks BP.
