Forscher haben ein neues, auf künstlicher Intelligenz basierendes Verfahren zur Erkennung von Fettablagerungen in den Herzkranzgefäßen mithilfe von optischer Kohärenztomographie (OCT) entwickelt. Da diese lipidreichen Plaques eng mit schwerwiegenden Herzereignissen wie Herzinfarkten in Verbindung stehen, könnte die Methode Ärzten künftig helfen, gefährliche Plaques zu erkennen, bevor sie aufbrechen und Schäden verursachen.Die optische Kohärenztomographie (OCT) wird bei katheterbasierten Eingriffen eingesetzt, beispielsweise zur Öffnung teilweise verstopfter Blutgefäße und zur Stentimplantation, um den Blutfluss zu verbessern. Obwohl die OCT sehr detaillierte Bilder der Gefäßstruktur liefert, geben Standard-OCT-Bilder keine Auskunft über die Zusammensetzung der Gefäßwand, die für die Beurteilung des Herzinfarktrisikos wichtig ist.
In der Fachzeitschrift
„Biomedical Optics Express“ der Optica Publishing Group beschreiben die Forscher ihre neue Methode zur Extraktion spektraler Informationen aus OCT-Bildern. Sie entwickelten außerdem einen Deep-Learning-Ansatz, der die quantitative und automatische Bestimmung von Lipiden direkt aus intravaskulären OCT-Bildern ermöglicht. Die neue Methode erfordert keine Hardwareänderungen und ist mit bereits klinisch eingesetzten OCT-Systemen kompatibel.
Obwohl die optische Kohärenztomographie (OCT) in der klinischen Praxis Anwendung findet, hängt die Identifizierung lipidreicher, risikoreicher Plaques weiterhin stark von der Erfahrung des Arztes ab. Seit mehreren Jahren arbeiten die Forscher mit dem Team von Jin Won Kim am Korea University Guro Hospital zusammen, um die Grenzen der konventionellen OCT zu überwinden.
„Unsere Gruppe hat bereits gezeigt, dass die spektroskopische optische Kohärenztomographie (OCT) lipidbezogene optische Signaturen in atherosklerotischen Plaques erkennen kann“, sagte Nam. „Diese neue Studie baut darauf auf, indem sie die Methode durch moderne Deep-Learning-Verfahren erweitert, um die Erkennungsgenauigkeit und Robustheit deutlich zu verbessern.“
Das neue Verfahren speist wellenlängenabhängige Informationen aus OCT-Bildern in ein KI-Modell ein. Dies ist möglich, da verschiedene Gewebearten unterschiedlich mit Licht interagieren. Lipide, Bindegewebe und Kalzium beispielsweise absorbieren und reflektieren Licht jeweils auf leicht unterschiedliche Weise . Das KI-Modell lernt, Signalmuster zu erkennen, die mit höherer Wahrscheinlichkeit von lipidreichem Gewebe stammen, und kann dann verdächtige Bereiche im Bild automatisch hervorheben.
Publikation: JH Hwang, W. Lee, JH Kim, RH Kim, DO Kang, JW Kim, H. Yoo, HS Nam, „Automatisierte Lipidbestimmung in der spektroskopischen optischen Kohärenztomographie mittels eines schwach überwachten Deep-Learning-Netzwerks“, Biomed. Opt. Express, 17, 1279–1292 (2026).
DOI: 10.1364/BOE.585222
