Einsatz von künstlicher Intelligenz zur Erkennung von Biomarkern bei der intermediären altersabhängigen Makuladegeneration

Für die klinische Beurteilung der intermediären altersabhängigen Makuladegeneration (iAMD) haben Fortschritte in der Bildgebung und künstlichen Intelligenz (KI) deren Erkennung, Quantifizierung und Monitoring revolutioniert. Die iAMD umfasst ein breites Spektrum von Manifestationen, das von einzelnen kleinen Drusen, Hyper- und Hypopigmentierungen bis zu Vorstufen der geographischen Atrophie reicht. Aktuelle hochauflösende Bildgebungstechnologien ermöglichen eine akkurate Detektion und Beschreibung anatomischer Merkmale wie Drusenvolumen, hyperreflektiver Foci und Photorezeptorendegeneration, die als Risikofaktoren entscheidend für die Vorhersage des Krankheitsverlaufs sind. Die manuelle Annotation dieser Merkmale in komplexen optischen Kohärenztomographie(OCT)-Scans ist jedoch für die routinemäßige klinische Praxis und die Forschung wenig praktikabel. Hier bietet die KI durch vollautomatische Segmentierung eine Lösung an und liefert damit genaue, reproduzierbare und quantitative Analysen von AMD(altersabhängige Makuladegeneration)-bezogenen Biomarkern. KI-Anwendungen bei iAMD erleichtern darüber hinaus die Risikobewertung und die Entwicklung struktureller Endpunkte für neue Therapien. Beispielsweise hat die quantitative Analyse des Drusenvolumens und hyperreflektiver Foci mit KI-Algorithmen eine Korrelation mit der Progression der Krankheit gezeigt. Diese technologischen Fortschritte verbessern damit nicht nur die diagnostische Präzision, sondern unterstützen auch zukünftige gezielte Behandlungsstrategien und tragen zum übergeordneten Ziel der personalisierten Medizin in der AMD-Diagnostik und -Behandlung bei.