Forschende aus der Schweiz und aus Deutschland haben kürzlich einen Ansatz vorgestellt, der ihrer Meinung nach ein Screening auf Hornhautpathologien und die Klassifizierung häufiger Pathologien wie Keratokonus ermöglicht. Die Studienautoren führen außerdem als Vorteil des Verfahrens aus, dass es von einem Topographie-Scanner unabhängig ist und die Visualisierung derjenigen Scanbereiche erlaubt, die die Entscheidungen des Modells beeinflussen.
Ziel der Untersuchungen, durchgeführt an einem Datensatz von 1940 aufeinanderfolgenden Screening-Scans aus der Klinik für Augenheilkunde des Universitätsklinikums des Saarlandes (für die das Training des Modells sowie für die Validierung), war es, Hornhautanomalien anhand von Hornhauttopographien automatisch zu erkennen. Dabei lag der Schwerpunkt auf der Keratokonus-Diagnose. Die Studienautoren stellten dafür die OCT-Scans als Bilder dar und nutzen Convolutional Neural Networks (CNNs) für die automatische Analyse. Das von den Forschenden eingesetzte Modell basierte auf einer hochmodernen ConvNeXt-CNN-Architektur mit Gewichtungen, die mithilfe des Hornhaut-Scan-Datensatzes für die jeweilige spezifische Anwendung fein abgestimmt wurden. Alle Scans wurden mit dem Vorderabschnitts-OCT CASIA 2 durchgeführt.
Das von den Forschenden vorgeschlagene Modell erreichte in der vorgestellten Auswertung eine Sensitivität von 98,46% und eine Spezifität von 91,96% bei der Unterscheidung zwischen gesunden und erkrankten Hornhäuten.
(ac)