KI-Analyse unterstützt Nachsorge nach Stentimplantation

09/05/2025

Weltweit erhalten jährlich über drei Millionen Menschen einen Stent zur Behandlung verengter Herzkranzgefäße. Die Nachsorge bringt jedoch große Herausforderungen mit sich. Ein interdisziplinäres Team von Helmholtz Munich, der Technischen Universität München und dem TUM Klinikum hat mit DeepNeo ein System entwickelt, das die Auswertung der Heilung automatisiert – auf Basis künstlicher Intelligenz.

Bild: OCT-Aufnahme eines Stents und die KI-Auswertung der Gewebemuster farblich gekennzeichnet; Copyright: Helmholtz Munich / Valentin Koch

DeepNeo analysiert OCT-Bilder nach Stentimplantationen automatisch und liefert Ärztinnen und Ärzten präzise Informationen zur Gefäßheilung in kurzer Zeit.

Produkte und Aussteller zum Thema

Aussteller und Produkte zu diesem Thema finden Sie in der Datenbank der MEDICA:

Weitere spannende Beiträge zum Thema aus der MEDICA.de-Redaktion:

Nach der Implantation eines Stents ist die regelmäßige Kontrolle essenziell, da ein unregelmäßiges Gewebewachstum über dem Stent zu ernsten Komplikationen führen kann – etwa einer erneuten Gefäßverengung oder -verstopfung. Die intravaskuläre optische Kohärenztomographie (OCT) ist zwar ein geeignetes bildgebendes Verfahren, doch ihre manuelle Auswertung ist zeitintensiv und nur schwer in die tägliche Praxis integrierbar.

DeepNeo analysiert OCT-Bilder automatisiert

Das Tool DeepNeo analysiert OCT-Bilddaten automatisiert und liefert innerhalb kürzester Zeit präzise Informationen über die Heilung. Es erkennt unterschiedliche Heilungsmuster, misst die Gewebedicke und beurteilt die Stentabdeckung – mit einer Genauigkeit, die mit klinischen Fachkräften vergleichbar ist.

„Mit DeepNeo erreichen wir eine automatisierte, standardisierte und äußerst präzise Analyse der Stent- und Gefäßheilung – etwas, das bislang nur durch aufwendige manuelle Auswertung möglich war“, sagt Valentin Koch, Erstautor der Studie. „DeepNeo ist so gut wie eine Ärztin oder ein Arzt – nur viel schneller.“

Klinische Validierung in Tier- und Humanmodellen

Das Forschungsteam trainierte DeepNeo mit 1.148 annotierten OCT-Bildern aus 92 Patientenscans. Der Algorithmus wurde anschließend im Tiermodell sowie mit weiteren Patientendaten getestet:

In 87 Prozent der Fälle erkannte DeepNeo krankhaftes Gewebe korrekt.

Die Ergebnisse stimmten eng mit den Einschätzungen von Ärztinnen und Ärzten überein.

„DeepNeo zeigt, wie maschinelles Lernen Ärztinnen und Ärzte dabei unterstützen kann, schneller und fundierter Therapieentscheidungen zu treffen“, erklärt Dr. Carsten Marr von Helmholtz Munich.

Auf dem Weg in die klinische Anwendung

Das Projekt wurde durch ein Helmholtz Innovation Grant gefördert. Eine Patentanmeldung liegt vor, und Ascenion unterstützt bei der Suche nach Industriepartnern für die Kommerzialisierung. Neben der Verbesserung der Behandlungsqualität könnten auch die Gesundheitskosten durch effizientere Nachsorge gesenkt werden.

MEDICA.de; Quelle: Helmholtz Zentrum München Deutsches Forschungszentrum für Gesundheit und Umwelt (GmbH)

Mehr über Helmholtz Munich unter: www.helmholtz-munich.de