Die neue Methode verringert den Bedarf an teuren annotierten Daten für das Training des Deep-Learning-Algorithmus erheblich. Bei automatisierten Screenings für diabetische Retinopathie erreichte der Algorithmus die diagnostische Leistung sowohl von medizinischen Fachkräften als auch von Algorithmen, die weit mehr Trainingsdaten benötigen.
„Wir haben es geschafft, den Bedarf an annotierten Daten um 75 Prozent zu reduzieren”, sagt Prof. Fabian Theis, Direktor des Instituts für Computational Biology am Helmholtz Zentrum München und Wissenschaftlicher Direktor von Helmholtz AI, der Plattform für künstliche Intelligenz der Helmholtz Gemeinschaft. „Die geringe Verfügbarkeit annotierter Daten ist eine große Herausforderung für die Medizin. Wir haben es deshalb zu unserem Ziel gemacht, Methoden zu entwickeln, die weniger Daten benötigen und sich dadurch für den klinischen Einsatz eignen. Kliniken können unseren Screening-Algorithmus für diabetische Retinopathie ab sofort nutzen. Dies ist ein perfektes Beispiel dafür, wie wir mit künstlicher Intelligenz den Alltag in der Medizin und somit auch die Gesundheit aller verbessern können.“
„Die automatisierte Erkennung und Diagnose der diabetischen Retinopathie auf Basis der weit verbreiteten Fundus-Fotografie stellt für Vorsorgeuntersuchungen eine echte Verbesserung dar. Damit könnten auch die Überweisungen von Patienten an teilweise überfüllte spezialisierte Augenkliniken reduziert werden“, sagt Dr. med. Karsten Kortüm von der Augenklinik des LMU Klinikums, der für den klinischen Teil dieser Studie verantwortlich war.
Darüber hinaus erreichten die Forschenden eine weitere Reduktion, nämlich bei der „Größe des Algorithmus“, d.h. der Anzahl seiner Parameter. Die neue Methode ermöglicht bis zu 200 Mal kleinere Algorithmen. Dies wiederum könnte den Einsatz auf mobilen oder eingebetteten Geräten im klinischen Umfeld erleichtern.