CAMPINAS (Biermann) – Die Evaluation eines Maschinenlernalgorithmus zeigt, dass dieser einen glaukomatösen Gesichtsfeldverlust ebensogut, wenn nicht besser, erkennt als ein ärztlicher Begutachter. Konkret verglichen wurde die menschliche diagnostische Leistung mit den Vorhersagen eines Machine-to-Machine-Deep-Learning(M2M-DL)-Algorithmus, der zuvor trainiert wurde, Schäden an der retinalen Nervenfaserschicht (RNFL) anhand von Fundusfotos zu quantifizieren. Dieser Algorithmus wäre möglicherweise dazu in der Lage, menschliche Bewerter beim Glaukom-Screening zu ersetzen, so das Fazit der Studienautoren.
Für ihre Evaluation hat das Autorenteam aus Brasilien und den USA einen M2M-DL-Algorithmus mit Parametern der RNFL-Dicke aus der Spectral-Domain-Optischen-Kohärenztomographie (SD-OCT) trainiert und auf 490 Fundusfotos von 490 Augen (370 Probanden) angewendet. Die Augen wurden zuvor von zwei Glaukomspezialisten hinsichtlich der Wahrscheinlichkeit einer glaukomatösen Optikus-Neuropathie (GON) einschließlich einer Schätzung des Excavations/Papillen-Verhältnisses eingestuft und bewertet.
Die Spearman-Korrelationen mit den globalen Indizes der automatisierten Perimetrie (SAP) wurden zwischen den menschlichen Einstufungen und mit den M2M-DL-Algorithmus vorhergesagten RNFL-Dickenwerten verglichen. Die AUC (area under the receiver operating characteristic curves) und die partielle AUC mit klinisch relevanter Spezifität (85–100%) wurden verwendet, um die Fähigkeit von jedem Output zu vergleichen, Augen mit wiederholbaren glaukomatösen SAP-Defekten versus Augen mit normalen Feldern zu unterscheiden.
Die mittels M2M-DL vorhergesagte RNFL-Dicke hatte eine signifikant stärkere absolute Korrelation mit der mittleren SAP-Abweichung (rho=0,54) als die von menschlichen Gradern angegebe Wahrscheinlichkeit einer GON (rho=0,48; p<0,001). Die partielle AUC für den M2M-DL-Algorithmus war signifikant höher als die für die Wahrscheinlichkeit einer GON durch menschliche Grader (partielle AUC 0,529 vs. 0,411; p=0,016).
(isch)
