Entwicklung von Klassifikationskriterien für Uveitiden von der Standardization of Uveitis Nomenclature (SUN) Working Group

In einem ersten Schritt wurden ein standardisiertes Vokabular und ein Set von Dimensionen zur Beschreibung der Uveitiskrankheitsbilder erarbeitet. Auf dieser Grundlage wurden von 76 teilnehmenden Untersuchern für den weiteren Prozess 5766 Datensätze von Patienten mit jeweils einem von 25 klinisch relevanten Uveitiskrankheitsbildern (jeweils ca. 150 bis 250 Patienten) retrospektiv zusammengetragen sowie für die einzelnen Krankheitsbilder sehr typische Bilddokumentationen (z. B. Fundusbilder, Fluoreszeinangiographien und OCT-Bilder). Die Fallsammlungen der 25 Gruppen wurde durch ein Komitee überprüft und abgestimmt (inklusive Konsensuskonferenzen, nominale Gruppentechnik, anonyme Abstimmung, >75 % Übereinstimmung).

Danach folgten Phasen mit maschinellem Lernen (Abb. 1). Für jede anatomische Uveitisklasse wurde separat ein eigenes Modell trainiert (Phase I) und das erlernte Modell validiert (Phase II). Zusätzlich wurde das Modell mittels der Trainingsdaten in ein einfaches logisches Regelsystem transferiert (Phase III) und anschließend auf 10 % der Daten gegen die Bewertung eines maskierten Experten validiert.

Nach einer geeigneten Rekodierung der Daten wurde in der ersten Phase das Modell trainiert. Zunächst wurden für die einzelnen Krankheitsbilder die entscheidenden Merkmale ausgewählt (Verfahren von Boruta), sodass eine Balance zwischen Sparsamkeit (so wenig Merkmale wie nötig) und Genauigkeit gewährleistet wurde. Mit der reduzierten Merkmalsmenge wurde ein Klassifikationsverfahren trainiert, sodass die Übereinstimmung mit dem zutreffenden Uveitiskrankheitsbild maximiert wurde. Es wurden unterschiedliche ML-Algorithmen verglichen, und schlussendlich wurde das Verfahren der multinomialen logistischen Regression gewählt. Das trainierte Modell wurde in einer zweiten Phase validiert. Dabei wurden bislang nicht verwendete Datensätze mithilfe des trainierten Modells verarbeitet, um anhand der erreichten Genauigkeit die Abstraktionsfähigkeit des Modells zu bewerten. Das Modell kapselt das erlernte Wissen in einer „Black-Box“, und der Entscheidungsweg ist somit für den Menschen nur bedingt interpretierbar. Aus diesem Grund wurde in einer dritten Phase ein für den Arzt gut zu handhabendes logisches Regelsystem („Final Rules“) abgeleitet, welches auf den Trainings- und Validierungsdaten stets dieselbe Entscheidung trifft wie das abstrakte Modell, das in Phase I trainiert wurde. Die Güte dieses Regelsystems wurde bewertet durch den Vergleich der Beurteilung eines zusätzlichen, maskierten Readers mit den „Final Rules“ und der Konsensdiagnose.

In den nunmehr vorliegenden Publikationen der SUN Working Group [2‐27] werden die Klassifikationskriterien von 25 klinisch relevanten Krankheitsbildern zusammengefasst (Tab. 2). Exemplarisch werden nachfolgend 3 in der Praxis häufige und klinisch besonders relevante Krankheitsbilder dargestellt.

Zusammenfassend ist es der SUN Working Group gelungen, unter Zuhilfenahme formaler Konsensustechniken und künstlicher Intelligenz relevante Klassifikationskriterien der klinisch relevanten Uveitisformen zu erarbeiten, die den Rahmen für künftige klinische und translationale Studien vorgeben werden. Bedeutungsvoll ist, dass einige für die klinische Betreuung von Uveitispatienten sehr relevante Aspekte hier nicht mit eingeflossen sind.