Glau­kom-Diagnos­tik

Deep-Learning-Modell ist manuell erstellten Merkmalen überlegen

19. Dezember 2019

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)

Autor: Zheng C et al.
Korrespondenz: Mingzhi Zhang; zmz0754@126.com
Studie: Detecting glaucoma based on spectral domain optical coherence tomography imaging of peripapillary retinal nerve fiber layer: a comparison study between hand-crafted features and deep learning model
Quelle: Graefes Arch Clin Exp Ophthalmol 2019;Dec 7.
Web: https://doi.org/10.1007/s00417-019-04543-4

html

Aus rechtlichen Gründen (Heilmittelwerbegesetz) dürfen wir die Informationen nur an Fachkreise weitergeben.