Sebastian Dinesen

Deep-learning in diabetic eye screening: detection of sight-threatening proliferative diabetic retinopathy and prediction of long-term diabetic complications

Diabetisk øjenscreening med nethindefotografering er nødvendigt for at forebygge synstab ved diabetes, men det er ressourcekrævende for patienterne og samfundet. Den er endvidere baseret på human vurdering og dermed behæftet med subjektive fejlskøn. Automatisk billedanalyse ved hjælp af kunstig intelligens og automatiske analyseprogrammer kan bedre muligheden for at identificere patienter med synstruende diabetisk nethindesygdom og potentielt give mulighed for at forudsige fremtidig udvikling af såvel øjenkomplikationer samt andre diabetiske senkomplikationer som for eksempel nyresvigt, nervebetændelse og hjerte-kar-sygdom.

Vi vil til formålet benytte deep-learning, som er en afart af kunstig intelligens, som beror på erfaringsbaseret billedgenkendelse, hvor en computer lærer at genkende billeder ved hjælp af et stort billedmateriale. Udenlandske studier har allerede demonstreret potentialet ved deep-learning til diabetisk øjenscreening, men de udviklede algoritmer kan ikke benyttes i Danmark, da de benytter andre tærskelværdier, hvormed 90% af patienterne ville blive unødvendigt henvist til behandling. Algoritmen for indeværende projekt opbygges således at den udelukkende identificerer patienter med aktiv diabetisk nethindesygdom, der kræver henvisning til øjenbehandling, så synstab kan forhindres (Delstudie A). Metoden kan dermed skelne mellem patienter, som kræver behandling, og patienter med behov for fortsat øjenscreening. Endvidere vil vi udvikle en deep-learning baseret algoritme, der kan forudsige risikoen for senere udvikling af behandlingskrævende diabetisk nethindesygdom, nyresygdom og nervebetændelse (Delstudie B).

Sluttelig vil vi opgøre risikoen og identificere risikofaktorer for udvikling af synstruende diabetisk nethindesygdom i et nationalt registerbaseret studie med over 200.000 øjenscreenede diabetespatienter (Delstudie C). Dermed kan vi bedre identificere patienter i risikogruppen, hvormed disse kan modtage intensiveret diabetesbehandling og blive øjenscreenet med nedsatte screeningsintervaller.

Vi forventer at den samlede algoritme (Delstudie A) vil kunne implementeres direkte i det danske screeningssystem, og at prædiktionsmodellerne (Delstudie B) straks vil kunne benyttes til at risikostratificere patienter, som er henvist til diabetisk øjenscreening. Implementeringen af sådanne algoritmer vil endvidere frigøre store mængder af humane ressourcer, der i stedet kan udnyttes andre steder i sundhedsvæsenet.

Sluttelig vil identifikationen af individuelle risikoprofiler (Delstudie C) bedre mulighederne for individualiseret diabetesbehandling, hvor behandlingsmål kan modsvare risikoen for udvikling af synstruende diabetisk nethindesygdom.