Medizinische Fakultät der Yonsei-Universität: Forschung zeigt, dass KI durch die Untersuchung von Augenfotos Autismus bei Kindern mit 100-prozentiger Genauigkeit diagnostizieren kann

Die Forscher machten Bilder von der Netzhaut der Kinder und untersuchten sie mithilfe eines Deep-Learning-Algorithmus auf Basis künstlicher Intelligenz. Zu ihrer Überraschung stellten sie fest, dass dieser Autismus mit einer Genauigkeit von 100 % diagnostizieren konnte. Die Ergebnisse unterstützen den Einsatz von KI als objektives Screening-Tool zur Frühdiagnose, insbesondere wenn die Anzahl der Kinderpsychiater begrenzt ist.

Nachdem sie gelernt hatten, wie man einen Algorithmus künstlicher Intelligenz zum Screening verwendet, stellten sie überrascht fest, dass die Genauigkeitsrate bei der Diagnose von Autismus 100 % betrug. Die Ergebnisse unterstützen den Einsatz von KI als objektives Screening-Tool zur Frühdiagnose, insbesondere wenn die Anzahl der Kinderpsychiater begrenzt ist.

Im hinteren Teil des Auges sind Netzhaut und Sehnerv an der Sehnervenpapille miteinander verbunden. Die Sehnervenpapille ist eine Erweiterung des zentralen Nervensystems und ein Fenster zum Gehirn. Forscher haben begonnen, ihre Fähigkeit auszunutzen, auf einfache und nichtinvasive Weise auf diesen Körperteil zuzugreifen, um wichtige gehirnbezogene Informationen zu erhalten.

Kürzlich haben britische Forscher eine nicht-invasive Methode zur schnellen Diagnose einer Gehirnerschütterung entwickelt, bei der ein augensicherer Laser auf die Netzhaut gerichtet wird. Nun haben Forscher am Yonsei University College of Medicine in Südkorea eine Methode zur Diagnose von Autismus-Spektrum-Störungen (ASD) und der Schwere der Symptome bei Kindern entwickelt, die auf Netzhautbildern basiert, die von einem Algorithmus künstlicher Intelligenz gescreent werden.

Die Forscher rekrutierten 958 Teilnehmer mit einem Durchschnittsalter von 7,8 Jahren und fotografierten ihre Netzhäute, wodurch insgesamt 1.890 Bilder entstanden. Bei der Hälfte der Teilnehmer wurde Autismus diagnostiziert, bei der anderen Hälfte handelte es sich um Kontrollpersonen gleichen Alters und Geschlechts. Die Schwere der Autismussymptome wurde mithilfe des kalibrierten Schweregrad-Scores des Autism Diagnostic Observation Schedule-Second Edition (ADOS-2) und des Scores der Social Responsiveness Scale-Second Edition (SRS-2) beurteilt.

Ein Convolutional Neural Network (ein Deep-Learning-Algorithmus) wurde mithilfe von 85 % der Netzhautbilder und Testergebnissen zur Schwere der Symptome trainiert, um ein Modell für das Screening von ASD und der Schwere der ASD-Symptome zu erstellen. Die restlichen 15 % der Bilder sind für Tests reserviert.

Bei der Durchführung eines ASD-Screenings anhand eines Testbildsatzes konnte die KI Kinder mit der Diagnose ASD auswählen, deren durchschnittlicher Bereich unter der Receiver-Operating-Characteristic-Kurve (AUROC) 1,00 betrug. AUROC reicht von 0 bis 1. Ein Modell, das 100 % falsche Vorhersagen macht, hat einen AUROC-Wert von 0,0; Ein Modell, das 100 % korrekte Vorhersagen macht, hat einen AUROC-Wert von 1,0. Selbst beim Entfernen der 95 % unwichtigsten Bereiche im Bild (mit Ausnahme der Papille) sank der mittlere AUROC nicht signifikant.

„Unsere Modelle zeigten anhand von Netzhautfotos gute Ergebnisse bei der Unterscheidung zwischen ASD und TD (Kinder mit normaler Entwicklung), was darauf schließen lässt, dass Netzhautveränderungen bei ASD einen potenziellen Biomarkerwert haben könnten“, sagten die Forscher. „Interessanterweise behielten die Modelle bei der Verwendung von nur 10 % der Bilder, die die Sehnervenpapille enthielten, einen mittleren AUROC-Wert von 1,00 bei. Dies legt nahe, dass diese Region für die Unterscheidung zwischen ASD und TD entscheidend ist.“

Der mittlere AUROC-Wert für die Symptomschwere betrug 0,74, wobei ein AUROC-Wert von 0,7 bis 0,8 „akzeptabel“ und ein AUROC-Wert von 0,8 bis 0,9 „ausgezeichnet“ war.

„Unsere Ergebnisse legen nahe, dass Netzhautfotos zusätzliche Informationen über die Schwere der Symptome liefern könnten“, sagten die Forscher. Nur der ADOS-2-Score, nicht jedoch der SRS-2-Score, ermöglichte eine praktikable Klassifizierung. Dies kann daran liegen, dass der ADOS-2 von geschultem Fachpersonal durchgeführt wird, das ausreichend Zeit für die Beurteilung hat, während der SRS-2-Test in der Regel von Pflegekräften innerhalb weniger Minuten ausgefüllt wird. Daher kann der ADOS-2-Score den Schweregrad einer Person genauer widerspiegeln als der SRS-2-Score.

Der jüngste Teilnehmer der Studie war gerade einmal vier Jahre alt. Die Forscher sagen, dass ihr KI-basiertes Modell auf Grundlage ihrer Erkenntnisse bereits ab dieser Altersgruppe als objektives Screening-Tool eingesetzt werden könnte. Da die Netzhaut eines Neugeborenen bis zum Alter von vier Jahren weiter wächst, sind weitere Untersuchungen erforderlich, um festzustellen, ob das Tool bei Teilnehmern unter vier Jahren präzise eingesetzt werden kann.

„Zwar sind weitere Studien nötig, um die Generalisierbarkeit zu bestimmen, doch unsere Studie stellt einen bemerkenswerten Schritt in Richtung der Entwicklung eines objektiven Screening-Tools für Autismus dar, das dazu beitragen kann, dringende Probleme wie den fehlenden Zugang zu spezialisierten kinderpsychiatrischen Untersuchungen aufgrund begrenzter Ressourcen anzugehen“, sagten die Forscher.

Die Studie wurde im JAMA Network Open veröffentlicht.

Von cnBeta