Glau­kom-Diagnos­tik

Mensch versus Maschine: Deep-Learning-Algorithmus erkennt Glaukom auf Fundusfotos

23. Dezember 2019

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)

Autor: Jammal AA et al.
Korrespondenz: Felipe Medeiros; felipe.medeiros@duke.edu
Studie: Human Versus Machine: Comparing a Deep Learning Algorithm to Human Gradings for Detecting Glaucoma on Fundus Photographs
Quelle: Am J Ophthalmol 2019; Nov. 12.
Web: https://doi.org/10.1016/j.ajo.2019.11.006

html

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