Deep-Learning-basierte Phänotypisierung und Vorhersage der Krankheitsprogression bei geographischer Atrophie infolge altersabhängiger Makuladegeneration

• Antragsteller: Dr. Maximilian Pfau
• Fachliche Zuordnung: Augenheilkunde
• Förderung: Förderung von 2019 bis 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 418925017

Die altersabhängige Makuladegeneration (AMD) stellt heute in Industrienationen die häufigste Ursache für einen Verlust der zentralen Sehschärfe dar. Für die nicht-neovaskuläre Spätform, die „geographische Atrophie“ (GA), konnte bislang noch keine Therapie etabliert werden. Als Voraussetzung für klinische Studien und Präzisionsmedizin streben wir (i.) eine verbesserte Quantifizierung von bildgebenden Biomarkern, (ii.) eine unvoreingenommene, datengesteuerte Identifizierung von Phänotypen und (iii.) die Vorhersage des Funktionsverlustes an. Die geplanten Analysen werden mit modernsten Bilddaten aus der von der DFG-geförderten Studie Directional Spread in Geographic Atrophy durchgeführt. Das Laboratory of Quantitative Imaging (PI: Prof. Daniel L. Rubin, Stanford University) wird die Expertise für die Anwendung neuester Deep-Learning-basierter Methoden zur Verfügung stellen. Das Arbeitsprogramm gliedert sich in drei Arbeitspakete (WP):In WP1 streben wir eine Deep-Learning-basierte Segmentierung und Vorhersage der Progression der GA an. Unser Ziel ist die vollautomatische Identifizierung und Quantifizierung von Strukturmerkmalen höherer Ordnung in der optischen Kohärenztomographie (OCT), einschließlich differentieller Drusenphänotypen, Outer retinal tubulations (ORT) und Friedman-Lipidglobuli, die bislang meist nur qualitativ im Kontext der GA beschrieben wurden. Dies würde für zukünftige therapeutische Studien eine stratifizierte Selektion von Patienten ermöglichen.In WP2 wollen wir einen unvoreingenommenen, datengesteuerten Ansatz zur Identifizierung von Phänotypen etablieren, der auf hochauflösenden OCT-Bilddaten unter Verwendung einer Autoencoder-Architektur basiert. Durch den systematischen Vergleich mit klinischen Daten monogener Erkrankungen mit bekannter Pathogenese wollen wir diskrete Subtypen im Spektrum der AMD identifizieren. Hierbei könnten Merkmalsüberschneidungen mit bekannten monogenen Erkrankungen einhergehend mit Veränderung der Bruch Membran (Pseudoxanthoma elasticum, Sorsby Fundusdystrophie, Late-onset retinal degeneration) und/oder oxidativem Stress auf Photorezeptor/Pigmentepithel-Ebene (Stargardt Krankheit, Zentrale areoläre Aderhautdystrophie) zukünftige Genotyp-spezifische Therapieansätze unterstützen.In WP3, wird das Ziel verfolgt, den Verlust des Sehvermögens infolge GA über die Zeit vorherzusagen, basierend auf strukturellen Bildgebungsdaten. Die Beurteilung der Sehfunktion bei Patienten mit GA ist tendenziell zeitaufwendig - insbesondere die Fundus-kontrollierte Perimetrie (FCP; auch "Mikroperimetrie" genannt). Die räumlich aufgelöste Vorhersage und Kartierung der Netzhautfunktion würde die Implementierung von SD-OCT-basierten "quasi-funktionalen" klinischen Studienendpunkten ermöglichen und die klinische Beurteilung im Hinblick auf die Fahrerlaubnis-Verordnung sowie die klinische "low vision" Rehabilitation erleichtern.

• DFG-Verfahren: Forschungsstipendien
• Internationaler Bezug: USA
• Gastgeber: Professor Dr. Daniel Rubin