gms | German Medical Science

Ziel: Entwicklung und Validierung eines Deep-Learning-Modells zur automatischen Segmentierung von drei Strukturen mit einem Vorderabschnitt-OCT (VA-OCT): Die Intraokularlinse (IOL), den retrolentalen Raum (IOL bis zur hinteren Linsenkapsel) und den Berger-Raum (Linsenkapsel bis vordere Glaskörpermembran).

Methoden: Ein auf einem Deep-Learning-Modell basierender Ansatz der künstlichen Intelligenz (KI) zur automatischen Segmentierung der IOL, des retrolentalen Raums und des Berger Raums (BR) im VA-OCT wurde anhand von Annotationen eines erfahrenen Klinikers trainiert. Der Trainings-, Validierungs- und Testsatz bestand aus 92 OCT-Bildern. Die Annotationen eines zweiten erfahrenen Klinikers wurden zusätzlich ausgewertet um eine Analyse der Inter-Reader-Variabilität durchzuführen.

Ergebnisse: Das KI-Modell erreichte einen Precision/Recall/Dice Score von 0,97/0,90/0,93 für IOL, 0,54/0,65/0,55 für den retrolentalen Raum und 0,72/0,58/0,59 für den BR. Bei der Inter-Reader-Variabilität lagen die Precision/Recall/Dice-Werte bei 0,98/0,98/0,98 für IOL, 0,74/0,59/0,62 für den retrolentalen Raum und 0,58/0,57/0,57 für den BR. Es wurden keine statistischen Unterschiede zwischen dem automatischen Algorithmus und der Inter-Reader-Variabilität für die Segmentierung des Berger-Raums festgestellt.

Schlussfolgerung: Das Deep-Learning-Modell ermöglicht eine vollautomatische Segmentierung aller untersuchten Strukturen und erreichte bei der Segmentierung des Berger-Raums eine Erkennungsrate auf Expertenlevel. Wir erwarten vielversprechende Anwendungen des Algorithmus mit besonderem Fokus auf den Berger Raum, insbesondere im Zusammenhang mit der primären hinteren Kapsulotomie in der Femtosekundenlaser-assistierten Kataraktchirurgie.