Entwicklung eines Multi-Tasking Open-Source-Basisframeworks für die individuelle Auswertung von Bildgebungsdaten der altersbedingten Makuladegeneration, basierend auf der umfangreichsten und aktuellsten klinischen AMD-Datenbank (AONGHUS).

• Antragsteller: Dr. Steffen Emil Künzel
• Fachliche Zuordnung: Augenheilkunde
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 544623978

Altersbedingte Makuladegeneration (AMD) ist eine weit verbreitete Augenerkrankung älterer Menschen, von der in Deutschland bis zu sieben Millionen Menschen betroffen sind. Insbesondere die Spätform der AMD, einschließlich neovaskulärer AMD (nAMD) und geografischer Atrophie (GA), wirkt sich auf bis zu 490.000 Menschen in Deutschland aus und ist für die Hälfte aller Fälle schweren Sehbehinderungen verantwortlich. Die derzeitigen diagnostischen und therapeutischen Maßnahmen bei AMD folgen oft einer Einheitsstrategie, die die komplexe Biologie der Krankheit und die signifikanten interindividuellen Unterschiede nicht berücksichtigt. Dies führt zu regelmäßigen, aber oft ergebnislosen Arztbesuchen und erheblichen Verzögerungen in der notwendigen Behandlung von Spätformen der AMD. Die Folge sind übermäßige Arztbesuche für ältere Patienten, kostspielige und belastende Behandlungszyklen mit wiederkehrendem Risiko für komplizierte, sehbedrohende Nebenwirkungen, ineffizienter Einsatz von Gesundheitsressourcen und vor allem begrenzter therapeutischer Erfolg. Eine personalisierte Medizin ist dringend erforderlich. In meinem Forschungsprojekt adressiere ich dieses Problem durch die Entwicklung eines innovativen Self-Supervised Learning (SSL) Modells, das auf der bisher nicht-explorierten, multimodale Bildgebungsdateien der Netzhaut umfassenden AONGHUS-Datenbank mit über 10 Millionen Bildern von mehr als 280.000 Augen trainiert wird. Ziel ist es, das Modell für klinisch relevante Multi-Task-Aufgaben zu nutzen, um eine präzisere Diagnostik und individualisierte Therapieansätze bei AMD zu ermöglichen. Das finale Modell soll in der Lage sein, subtile Muster und Veränderungen in Netzhautbildern zu erkennen, die für die Früherkennung und das Management von AMD entscheidend sind. Konkret werden wir das Modell darauf trainieren, verschiedene Stadien und Subtypen der AMD zu klassifizieren, den Krankheitsverlauf und -ereignisse vorherzusagen, das Ansprechen auf Behandlungen zu überwachen und personalisierte Therapieempfehlungen zu geben. Dies beinhaltet die Identifizierung kritischer morphologischer Biomarker und Risikomuster, die Vorhersage des Einsetzens der AMD bei Individuen ohne vorherige Krankheit und die Prognose von Krankheitsprogression, Behandlungsbedarf und negativen Ausgängen - und dies auf einem Level, das eine klinische Nutzung zulässt. Darüber hinaus wird das vortrainierte Modell weltweit veröffentlicht, um anderen Forschern und Klinikern die Möglichkeit zu geben, dieses an ihre lokalen Datensätze und spezifischen Fragestellungen anzupassen. Dieser Ansatz fördert nicht nur eine maßgeschneiderte und präzisere Herangehensweise an die AMD-Forschung und -Behandlung, sondern trägt auch zu Fairnessmaßnahmen bei, indem kleine Populationen und Minderheiten von unserem Modell profitieren, was zu effizienteren und effektiveren klinischen Entscheidungen und einer verbesserten Patientenversorgung weltweit führen wird.

• DFG-Verfahren: WBP Stipendium
• Internationaler Bezug: Großbritannien
• Gastgeber: Professor Pearse A. Keane, Ph.D.