Die Nutzung der Kraft der longitudinalen medizinischen Bildgebung für die Prognose von Augenerkrankungen unter Verwendung von Transformer-basiertem Sequenzmodellierung

Deep Learning hat Durchbrüche bei der automatisierten Diagnose aus der medizinischen Bildgebung ermöglicht, mit vielen erfolgreichen Anwendungen in der Augenheilkunde. Standardansätze zur Klassifizierung medizinischer Bilder bewerten jedoch lediglich das Vorhandensein der Erkrankung zum Zeitpunkt der Aufnahme und vernachlässigen dabei die häufige klinische Situation der longitudinalen Bildgebung. Bei langsamen, fortschreitenden Augenerkrankungen wie der altersbedingten Makuladegeneration (AMD) und dem primären Offenwinkelglaukom (POAG) durchlaufen die Patienten wiederholte Bildgebungen über einen längeren Zeitraum, um den Krankheitsverlauf zu verfolgen, und die Vorhersage des zukünftigen Risikos, an der Krankheit zu erkranken, ist entscheidend für die richtige Planung der Behandlung. Unser vorgeschlagenes Longitudinal Transformer für die Überlebensanalyse (LTSA) ermöglicht eine dynamische Krankheitsprognose aus longitudinalen medizinischen Bildgebungen, indem es die Zeit bis zur Erkrankung aus Sequenzen von Fundusfotografien modelliert, die über lange, unregelmäßige Zeiträume aufgenommen wurden. Mit longitudinalen Bildgebungsdaten aus der Age-Related Eye Disease Study (AREDS) und der Ocular Hypertension Treatment Study (OHTS) übertraf LTSA in 19 von 20 direkten Vergleichen zur Prognose von fortgeschrittener AMD und in 18 von 20 Vergleichen zur Prognose von POAG erheblich eine Baseline mit Einzelbildern. Eine Analyse der zeitlichen Aufmerksamkeit deutete ebenfalls darauf hin, dass, obwohl das aktuellste Bild typischerweise den größten Einfluss hat, frühere Bilder dennoch zusätzlichen prognostischen Wert bieten.