SHANGHAI (Biermann) – Eine chinesische Arbeitsgruppe hat ein Deep-Learning-Modell (DL) zur automatisierten Erkennung von Glaukomen entwickelt und dessen Diagnosefähigkeit mit manuell erstellten Merkmalen (HCF) auf der Grundlage von Bildern der peripapillären retinalen Nervenfaserschicht (pRNFL) verglichen. Erstellt wurden die Bilder mit der Spectral-Domain-Optischen-Kohärenztomographie (SD-OCT).
Die Auswertung zeigte, dass DL-Modelle, die auf vorab trainierten neuronalen Faltungsnetzwerk (CNN) basieren, Glaukome mit hoher Sensitivität und Spezifität anhand von SD-OCT-Bildern der pRNFL identifizieren können.
Das DL-Modell mit dem vorab trainiertem CNN wurde unter Verwendung eines retrospektiven Trainingssatzes von 1501 pRNFL-OCT-Bildern trainiert, der 690 Bilder von 153 Glaukompatienten und 811 Bilder von 394 gesunden Probanden beinhaltete. Weitherhin testete die Arbeitsgruppe das DL-Modell in einem unabhängigen Testsatz von 50 Bildern von 50 Glaukompatienten und 52 Bildern von 52 gesunden Probanden. Mit einer angepassten Software wurden die HCFs einschließlich der pRNFL-Dicke im Durchschnitt sowie in vier verschiedenen Sektoren extrahiert und gemessen. Schließlich verglich man mithilfe von AROC-Kurven (area under the receiver operator characteristics) die Diagnosefähigkeit zwischen dem DL-Modell und den manuell erstellten pRNFL-Parametern.
Das DL-Modell erzielte einen AROC von 0,99 (95%-Konfidenzintervall [KI] 0,97–1,00]. Damit war der Wert signifikant größer als die AROC-Werte aller anderen HCFs: AROC temporaler Sektor 0,661 (95%-KI 0,549–0,772), AROC nasaler Sektor 0,696 (95%-KI 0,549–0,799), AROC superiorer Sektor 0,913 (95%-KI 0,855–0,970), AROC inferiorer Sektor 0,938 (95%-KI 0,894–0,982), AROC Durchschnitt 0,895 (95%-KI 0,832–0,957).
(isch)