LOS ANGELES (Biermann) – Eine Arbeitsgruppe aus Kalifornien, USA, verglich die Fähigkeiten eines künstlichen neuronalen Netzes (convolutional neural network, CNN) bei der Erkennung eines Winkelblocks in EyeCam-Goniofotografien mit den Ergebnissen eines menschlichen Experten. Die retrospektive Querschnittsstudie zeigte, dass ein CNN-Klassifikator einen Winkelverschluss in Goniofotografien mit einer Leistung, die mit der eines erfahrenen Glaukomspezialisten vergleichbar ist, effektiv erkennen kann. Dies böte eine automatisierte Methode zur Unterstützung der Erkennung von Patienten, bei denen das Risiko eines primären Engwinkelglaukoms besteht, so die Studienautoren.
Die Probanden aus der Chinese American Eye Study wurden einer EyeCam-Goniofotografie in den vier Winkelquadranten unterzogen. Der CNN-Klassifikator wurde trainiert, um einen verschlossenen Kammerwinkel zu erkennen. Die Leistung des CNN-Klassifikators wurde anhand eines unabhängigen Testdatensatzes und Referenz-Labels eines einzelnen Glaukomspezialisten oder einer Gruppe von 3 Glaukomspezialisten bewertet. Dann wurde die CNN-Leistung mit der Leistung von 9 menschlichen Gradern verglichen. Zielparameter waren unter anderem die Receiver Operating Characteristic Curve (AUC) und die Kappa-Koeffizienten nach Cohen.
Der CNN-Klassifikator wurde mit 29.706 Bildern eines offenen und mit 2.929 Bildern eines verschlossenen Kammerwinkels entwickelt. Der unabhängige Testdatensatz bestand aus 600 Bildern mit offenem und 400 mit verschlossenem Kammerwinkel. Der CNN-Klassifikator erzielte eine hervorragende Leistung, basierend auf dem Einzelgrader- (AUC=0,969) und Konsensus-Label (AUC=0,952). Die Übereinstimmung zwischen dem CNN-Klassifikator und dem Konsensus-Label (κ=0,746) übertraf die aller nicht referenzierten menschlichen Grader (κ=0,578–0,702). Die Übereinstimmung der menschlichen Grader mit den Konsensus-Labels verbesserte sich mit der klinischen Erfahrung (p=0,03).
(isch)