Advances in imaging and artificial intelligence (AI) have revolutionized the detection, quantification and monitoring for the clinical assessment of intermediate age-related macular degeneration (iAMD). The iAMD incorporates a broad spectrum of manifestations, which range from individual small drusen, hyperpigmentation, hypopigmentation up to early stages of geographical atrophy. Current high-resolution imaging technologies enable an accurate detection and description of anatomical features, such as drusen volumes, hyperreflexive foci and photoreceptor degeneration, which are risk factors that are decisive for prediction of the course of the disease; however, the manual annotation of these features in complex optical coherence tomography (OCT) scans is impractical for the routine clinical practice and research. In this context AI provides a solution by fully automatic segmentation and therefore delivers exact, reproducible and quantitative analyses of AMD-related biomarkers. Furthermore, the application of AI in iAMD facilitates the risk assessment and the development of structural endpoints for new forms of treatment. For example, the quantitative analysis of drusen volume and hyperreflective foci with AI algorithms has shown a correlation with the progression of the disease. These technological advances therefore improve not only the diagnostic precision but also support future targeted treatment strategies and contribute to the prioritized target of personalized medicine in the diagnostics and treatment of AMD.
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.
Keywords: Drusen; Hyperreflective foci; Photoreceptor degeneration; Predicted sensitivity; Subretinal drusenoid deposits.
© 2024. The Author(s), under exclusive licence to Springer Medizin Verlag GmbH, ein Teil von Springer Nature.