Glau­kom-Diagnos­tik

Deep-Learning-Modelle sagen glaukomatöse Gesichtsfeldschäden voraus

30. Dezember 2019

SAN DIEGO (Bier­mann) – Deep-Lear­ning-Model­le erken­nen mit hoher Genau­ig­keit Augen mit einer glau­kom­a­tö­sen Gesichts­feld­schä­di­gung (GFVD) und können den Schwe­re­grad des Funk­ti­ons­ver­lusts anhand von Spectral-Domain-Optischer-Kohärenztomographie(SD-OCT)-Bildern des Sehner­ven­kop­fes akku­rat voraus­sa­gen. Die genaue Vorher­sa­ge des GFVD-Schwe­re­grads könne Klini­kern dabei helfen, Gesichtsfeld(VF)-Tests effek­ti­ver auf den einzel­nen Pati­en­ten abzu­stim­men, so das Fazit der US-ameri­ka­ni­schen Autoren.

Zur Evalu­ie­rung der Diagno­se­me­tho­de haben die Wissen­schaft­ler von 1.194 Teil­neh­mern (1.909 Augen) mit und ohne GVFD insge­samt 9.765 VF gesam­melt. Deep-Lear­ning-Model­le wurden trai­niert, um SD-OCT-Karten der reti­na­len Nerven­fa­ser­schicht­di­cke (RNFL), RNFL-en-face-Bilder sowie Bilder der konfo­ka­len Laser-Scan­ning-Ophthal­mo­sko­pie (CSLO) verwen­den zu können. Die Model­le soll­ten Augen mit GVFD iden­ti­fi­zie­ren und auf Grund­la­ge der SD-OCT-Daten die quan­ti­ta­ti­ve mitt­le­re Abwei­chung im Gesichts­feld (MD), die Muster­stan­dard­ab­wei­chung (PSD) sowie die mitt­le­re sekto­ri­el­le Muster­ab­wei­chung (PD) vorhersagen.

Die Deep-Lear­ning-Model­le wurden mit der mitt­le­ren RNFL-Dicke vergli­chen, um die GVFD anhand der AUC (area under the curve), der Sensi­ti­vi­tät und der Spezi­fi­tät zu bestim­men. Zur Vorher­sa­ge der MD, PSD und mitt­le­ren sekto­ri­el­len PD wurden die Model­le mittels R2 und dem mitt­le­rem abso­lu­ten Fehler (MAE) bewertet.

Im unab­hän­gi­gen Test­da­ten­satz erreich­ten die auf RNFL-en-face-Bildern basie­ren­den Deep-Lear­ning-Model­le eine AUC von 0,88 bei der Iden­ti­fi­zie­rung von Augen mit GVFD und 0,82 bei der Erken­nung einer milden GVFD, was signi­fi­kant (p<0,001) besser war als bei Verwen­dung der mitt­le­ren RNFL-Dicken­mes­sung (AUC 0,82 und 0,73). Die Deep Lear­ning-Model­le über­tra­fen die Stan­dard-RNFL-Dicken­mes­sun­gen bei der Vorher­sa­ge aller quan­ti­ta­ti­ven VF-Metri­ken. Bei der MD-Vorher­sa­ge erziel­ten die Deep-Lear­ning-Model­le, die auf RNFL-en-face-Bildern basier­ten, ein R2 von 0,70 und einen MAE von 2,5 Dezi­bel (dB), vergli­chen mit 0,45 und 3,7 dB bei der RNFL-Dickenmessungen.

Bei der Vorher­sa­ge der mitt­le­ren sekto­ri­el­len VF-PD erziel­ten Deep-Lear­ning-Model­le eine hohe Genau­ig­keit im nasal-infe­rio­ren Sektor (R2=0,60) und dem nasal-supe­rio­ren Sektor (R2=0,67), eine mode­ra­te Genau­ig­keit im infe­rio­ren (R2=0,26) und supe­rio­ren Sektor (R2=0,35) und eine gerin­ge­re Genau­ig­keit im zentra­len (R2=0,15) und tempo­ra­len (R2=0,12) Sektor.

(isch)

Autor: Christopher M et al.
Korrespondenz: Linda M Zangwill; lzangwill@ucsd.edu
Studie: Deep Learning Approaches Predict Glaucomatous Visual Field Damage from OCT Optic Nerve Head En Face Images and Retinal Nerve Fiber Layer Thickness Maps
Quelle: Ophthalmology 2019; Sep 30.
Web: https://doi.org/10.1016/j.ophtha.2019.09.036

html

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