CB
Caroline Brandl
Author with expertise in Detection and Management of Retinal Diseases
Achievements
Cited Author
Open Access Advocate
Key Stats
Upvotes received:
0
Publications:
4
(75% Open Access)
Cited by:
1,738
h-index:
21
/
i10-index:
27
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
0

A large genome-wide association study of age-related macular degeneration highlights contributions of rare and common variants

Lars Fritsche et al.Dec 21, 2015
Iris Heid, Gonçalo Abecasis, Sudha Iyengar and colleagues report the results of a large genome-wide association meta-analysis of macular degeneration based on over 43,000 subjects. They identify 16 new risk loci, including some very rare coding variants. Advanced age-related macular degeneration (AMD) is the leading cause of blindness in the elderly, with limited therapeutic options. Here we report on a study of >12 million variants, including 163,714 directly genotyped, mostly rare, protein-altering variants. Analyzing 16,144 patients and 17,832 controls, we identify 52 independently associated common and rare variants (P < 5 × 10−8) distributed across 34 loci. Although wet and dry AMD subtypes exhibit predominantly shared genetics, we identify the first genetic association signal specific to wet AMD, near MMP9 (difference P value = 4.1 × 10−10). Very rare coding variants (frequency <0.1%) in CFH, CFI and TIMP3 suggest causal roles for these genes, as does a splice variant in SLC16A8. Our results support the hypothesis that rare coding variants can pinpoint causal genes within known genetic loci and illustrate that applying the approach systematically to detect new loci requires extremely large sample sizes.
0
Citation1,293
0
Save
0

A Deep Learning Algorithm for Prediction of Age-Related Eye Disease Study Severity Scale for Age-Related Macular Degeneration from Color Fundus Photography

Felix Graßmann et al.Apr 10, 2018

Purpose

 Age-related macular degeneration (AMD) is a common threat to vision. While classification of disease stages is critical to understanding disease risk and progression, several systems based on color fundus photographs are known. Most of these require in-depth and time-consuming analysis of fundus images. Herein, we present an automated computer-based classification algorithm. 

Design

 Algorithm development for AMD classification based on a large collection of color fundus images. Validation is performed on a cross-sectional, population-based study. 

Participants

 We included 120 656 manually graded color fundus images from 3654 Age-Related Eye Disease Study (AREDS) participants. AREDS participants were >55 years of age, and non-AMD sight-threatening diseases were excluded at recruitment. In addition, performance of our algorithm was evaluated in 5555 fundus images from the population-based Kooperative Gesundheitsforschung in der Region Augsburg (KORA; Cooperative Health Research in the Region of Augsburg) study. 

Methods

 We defined 13 classes (9 AREDS steps, 3 late AMD stages, and 1 for ungradable images) and trained several convolution deep learning architectures. An ensemble of network architectures improved prediction accuracy. An independent dataset was used to evaluate the performance of our algorithm in a population-based study. 

Main Outcome Measures

 κ Statistics and accuracy to evaluate the concordance between predicted and expert human grader classification. 

Results

 A network ensemble of 6 different neural net architectures predicted the 13 classes in the AREDS test set with a quadratic weighted κ of 92% (95% confidence interval, 89%–92%) and an overall accuracy of 63.3%. In the independent KORA dataset, images wrongly classified as AMD were mainly the result of a macular reflex observed in young individuals. By restricting the KORA analysis to individuals >55 years of age and prior exclusion of other retinopathies, the weighted and unweighted κ increased to 50% and 63%, respectively. Importantly, the algorithm detected 84.2% of all fundus images with definite signs of early or late AMD. Overall, 94.3% of healthy fundus images were classified correctly. 

Conclusions

 Our deep learning algoritm revealed a weighted κ outperforming human graders in the AREDS study and is suitable to classify AMD fundus images in other datasets using individuals >55 years of age.
0

Genome-wide association meta-analysis for early age-related macular degeneration highlights novel loci and insights for advanced disease

Thomas Winkler et al.Dec 20, 2019
ABSTRACT Background Advanced age-related macular degeneration (AMD) is a leading cause of blindness. While around half of the genetic contribution to advanced AMD has been uncovered, little is known about the genetic architecture of the preceding early stages of the diseases. Methods To identify genetic factors for early AMD, we conducted a genome-wide association meta-analysis with 14,034 early AMD cases and 91,214 controls from 11 sources of data including data from the International AMD Genomics Consortium (IAMDGC) and the UK Biobank (UKBB). We ascertained early AMD via color fundus photographs by manual grading for 10 sources and by using an automated machine learning approach for >170,000 images from UKBB. We searched for significant genetic loci in a genome-wide association screen (P<5×10 -8 ) based on the meta-analysis of the 11 sources and via a candidate approach based on 13 suggestive early AMD variants from Holliday et al 2013 (P<0.05/13, additional 3,432 early AMD cases and 11,235 controls). For the novel AMD regions, we conducted in-silico follow-up analysis to prioritize causal genes and pathway analyses. Results We identified 11 loci for early AMD, 9 novel and 2 known for early AMD. Most of these 11 loci overlapped with known advanced AMD loci (near ARMS2/HTRA1, CFH, APOE, C2, C3, CETP, PVRL2, TNFRSF10A, VEGFA ), except two that were completely novel to any AMD. Among the 17 genes within the two novel loci, in-silico functional annotation suggested CD46 and TYR as the most likely responsible genes. We found the presence or absence of an early AMD effect to distinguish known pathways of advanced AMD genetics (complement/lipid pathways or extracellular matrix metabolism, respectively). Conclusions Our data on early AMD genetics provides a resource comparable to the existing data on advanced AMD genetics, which enables a joint view. Our large GWAS on early AMD identified novel loci, highlighted shared and distinct genetics between early and advanced AMD and provides insights into AMD etiology. The ability of early AMD effects to differentiate the major pathways for advanced AMD underscores the biological relevance of a joint view on early and advanced AMD genetics.
0
Citation1
0
Save
0

Chances and challenges of machine learning based disease classification in genetic association studies illustrated on age-related macular degeneration

Felix Günther et al.Dec 8, 2019
Imaging technology and machine learning algorithms for disease classification set the stage for high-throughput phenotyping and promising new avenues for genome-wide association studies (GWAS). Despite emerging algorithms, there has been no successful application in GWAS so far. We established machine learning based disease classification in genetic association analysis as a misclassification problem. To evaluate chances and challenges, we performed a GWAS based on automated classification of age-related macular degeneration (AMD) in UK Biobank (images from 135,500 eyes; 68,400 persons). We quantified misclassification of automatically derived AMD in internal validation data (images from 4,001 eyes; 2,013 persons) and developed a maximum likelihood approach (MLA) to account for it when estimating genetic association. We demonstrate that our MLA guards against bias and artefacts in simulation studies. By combining a GWAS on automatically derived AMD classification and our MLA in UK Biobank data, we were able to dissect true association (ARMS2/HTRA1, CFH) from artefacts (near HERC2) and to identify eye color as relevant source of misclassification. On this example of AMD, we are able to provide a proof-of-concept that a GWAS using machine learning derived disease classification yields relevant results and that misclassification needs to be considered in the analysis. These findings generalize to other phenotypes and also emphasize the utility of genetic data for understanding misclassification structure of machine learning algorithms.