Deep Learning in der Glaukom-Diagnostik

Deep-Learning-Modelle könnten künftig auch einen Platz in der Glaukom-Diagnostik finden. Drei Studien, die hierzu jüngst in internationalen Journals erschienen sind, weisen darauf hin, dass der Einsatz solcher Modelle effektiv sein könnte.

Eine chinesische Arbeitsgruppe hat ein Deep-Learning-Modell zur automatisierten Erkennung von Glaukomen entwickelt und dessen Diagnosefähigkeit auf der Grundlage von Bildern der peripapillären retinalen Nervenfaserschicht (pRNFL) in einer Vergleichsstudie mit von Hand angefertigten Kenndaten überprüft. Die Bilder der pRNFL wurden mit der Spectral-Domain-Optischen-Kohärenztomographie (SD-OCT) erstellt.
Die Auswertung zeigte, dass DL-Modelle, die auf einem vorab trainierten neuronalen Faltungsnetzwerk (convolutional neural network) basieren, Glaukome mit hoher Sensitivität und Spezifität anhand von SD-OCT-Bildern der pRNFL identifizieren können.(1)

Die Evaluation eines Maschinen-Lernalgorithmus zeigt nach den Erkenntnissen einer brasilianisch/US-amerikanischen Forschergruppe, dass dieser Algorithmus einen glaukomatösen Gesichtsfeldverlust ebenso gut – wenn nicht sogar besser – erkennt als ein ärztlicher Begutachter.
In dieser Studie wurde die menschliche diagnostische Leistung mit den Vorhersagen eines Machine-to-Machine-Deep-Learning(M2M-DL)-Algorithmus verglichen, der zuvor trainiert worden war, Schäden an der retinalen Nervenfaserschicht anhand von Fundusfotos zu quantifizieren.(2)

Eine US-amerikanische Autorengruppe kam zu dem Schluss, dass Deep-Learning-Modelle Augen mit einer glaukomatösen Gesichtsfeldschädigung (GFVD) sehr genau erkennen und in der Lage sind, den Schweregrad des Funktionsverlustes anhand von SD-OCT-Bildern des Sehnervkopfes akkurat vorauszusagen. Die genaue Vorhersage des GFVD-Schweregrades könne Augenärzte dabei unterstützen, die Häufigkeit und Abfolge der Gesichtsfeld-Testungen besser auf den einzelnen Patienten abzustimmen, folgern die Autoren.(3)

Quellen:
1. Zheng C et al. Detecting glaucoma based on spectral domain optical coherence tomography imaging of peripapillary retinal nerve fiber layer: a comparison study between hand-crafted features and deep learning model. Graefes Arch Clin Exp Ophthalmol 2019;Dec 7.
https://www.ncbi.nlm.nih.gov/pubmed/31811363
2. Jammal AA et al. Human Versus Machine: Comparing a Deep Learning Algorithm to Human Gradings for Detecting Glaucoma on Fundus Photographs. Am J Ophthalmol 2019;Nov 12.
https://www.ncbi.nlm.nih.gov/pubmed/31730838
3. Christopher M et al. Deep Learning Approaches Predict Glaucomatous Visual Field Damage from OCT Optic Nerve Head En Face Images and Retinal Nerve Fiber Layer Thickness Maps. Ophthalmology 2019;Sep 30.
https://www.ncbi.nlm.nih.gov/pubmed/31718841