Die Forscher machten Fotos von der Netzhaut von Kindern und untersuchten sie mit einem Deep-Learning-Algorithmus der künstlichen Intelligenz. Sie waren überrascht, als sie feststellten, dass sie Autismus mit 100-prozentiger Genauigkeit diagnostizieren konnten. Die Ergebnisse unterstützen den Einsatz künstlicher Intelligenz als objektives Screening-Instrument für die Frühdiagnose, insbesondere wenn Kinderpsychiatrie nur über begrenztes Personal verfügt.
Sie lernten Algorithmen der künstlichen Intelligenz kennen, um sie zu überprüfen, und stellten überrascht fest, dass die Genauigkeit der Diagnose von Autismus 100 % betrug. Die Ergebnisse unterstützen den Einsatz künstlicher Intelligenz als objektives Screening-Instrument für die Frühdiagnose, insbesondere wenn Kinderpsychiatrie nur über begrenztes Personal verfügt.
Im hinteren Teil des Auges verbinden sich Netzhaut und Sehnerv am Sehnerv. Die Sehnervenpapille ist eine Erweiterung des Zentralnervensystems, ein Fenster zum Gehirn, und Forscher haben damit begonnen, ihre Fähigkeit, einfach und nicht-invasiv auf diesen Teil des Körpers zuzugreifen, zu nutzen, um wichtige Informationen über das Gehirn zu erhalten.
Kürzlich haben britische Forscher eine nicht-invasive Methode entwickelt, um Gehirnerschütterungen schnell zu diagnostizieren, indem sie einen augensicheren Laser auf die Netzhaut richten. Jetzt haben Forscher an der Yonsei University School of Medicine in Südkorea eine Methode zur Diagnose der Autismus-Spektrum-Störung (ASD) und der Schwere der Symptome bei Kindern mithilfe von Netzhautbildern entwickelt, die von Algorithmen der künstlichen Intelligenz überprüft wurden.
Die Forscher rekrutierten 958 Teilnehmer mit einem Durchschnittsalter von 7,8 Jahren und fotografierten ihre Netzhäute, was insgesamt 1.890 Bilder ergab. Bei der Hälfte der Teilnehmer wurde Autismus diagnostiziert, bei der anderen Hälfte handelte es sich um alters- und geschlechtsangepasste Kontrollpersonen. Der Schweregrad der Autismussymptome wurde anhand des kalibrierten Schweregradscores des Autism Diagnostic Observation Schedule-Second Edition (ADOS-2) und des Social Responsiveness Scale-Second Edition (SRS-2)-Scores beurteilt.
Ein Faltungs-Neuronales Netzwerk (ein Deep-Learning-Algorithmus) wurde unter Verwendung von 85 % der Netzhautbilder und der Testergebnisse 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 zum Testen reserviert.
Beim Screening auf ASD anhand eines Testbildsatzes konnte die KI Kinder mit diagnostizierter ASD mit einer durchschnittlichen Fläche unter der Receiver Operating Characteristic Curve (AUROC) von 1,00 aussortieren. AUROC reicht von 0 bis 1. Ein Modell, das 100 % der Zeit falsch vorhersagt, hat einen AUROC-Wert von 0,0; Ein Modell, das 100 % der Zeit korrekt vorhersagt, hat einen AUROC-Wert von 1,0. Selbst wenn 95 % der unwichtigsten Bereiche im Bild (mit Ausnahme der Papille) entfernt werden, nimmt die durchschnittliche AUROC nicht wesentlich ab.
„Unsere Modelle zeigten eine gute Leistung bei der Unterscheidung von ASD von TD (Kindern mit typischer Entwicklung) anhand von Netzhautfotos, was darauf hindeutet, dass Netzhautveränderungen bei ASD einen potenziellen Biomarkerwert haben könnten“, sagten die Forscher. „Interessanterweise behielten die Modelle einen durchschnittlichen AUROC-Wert von 1,00 bei, wobei nur 10 % der Bilder die Papille enthielten, was darauf hindeutet, dass dieser Bereich für die Unterscheidung von ASD von TD entscheidend ist.“
Der durchschnittliche AUROC-Wert für die Schwere der Symptome 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 können“, sagten die Forscher. „Wir haben herausgefunden, dass nur der ADOS-2-Score eine durchführbare Klassifizierung ermöglichte, nicht jedoch der SRS-2-Score. Dies kann daran liegen, dass der ADOS-2 von geschulten Fachkräften durchgeführt wird, die ausreichend Zeit für die Beurteilung haben, während der SRS-2 normalerweise von Pflegekräften innerhalb von zehn Minuten abgeschlossen wird; daher spiegelt ersterer den Schweregrad einer Person genauer wider als letzterer.“
Die Studienteilnehmer waren erst vier Jahre alt. Die Forscher sagen, dass ihr KI-basiertes Modell aufgrund ihrer Ergebnisse als objektives Screening-Tool ab dieser Altersgruppe dienen könnte. Da die Netzhaut des Neugeborenen bis zum Alter von vier Jahren weiter wächst, sind weitere Untersuchungen erforderlich, um festzustellen, ob dieses Tool bei Teilnehmern unter vier Jahren genau angewendet werden kann.
„Während künftige Forschung erforderlich ist, um die Generalisierbarkeit zu bestimmen, stellt unsere Studie einen bemerkenswerten Schritt in Richtung der Entwicklung objektiver Screening-Tools für ASD dar, die dazu beitragen können, drängende Probleme wie den fehlenden Zugang zu speziellen kinderpsychiatrischen Untersuchungen aufgrund begrenzter Ressourcen anzugehen“, sagten die Forscher.
Die Forschung wurde in JAMA Network Open veröffentlicht.