gms | German Medical Science

Einleitung: Ziel dieser Arbeit ist, ein Deep-Learning-Modell zur Erkennung von Zentralarterienverschlüssen der Netzhaut (ZAV) – einer Notfalldiagnose mit hoher klinischer Dringlichkeit – anhand von optischer Kohärenztomographie(OCT)-Aufnahmen zu trainieren und auf die Performance hin zu untersuchen.

Design: Es handelt sich um eine retrospektive, externe Validierungsstudie, in der OCT- und klinische Basisdaten von zwei Institutionen (UKE, UKT) mittels Deep-Learning-Klassifikationsanalyse verarbeitet wurden und das Modell trainiert und getestet wurde.

Methodik: Als Trainingsdaten wurden OCT-Daten (Spectralis, Heidelberg Engineering) von Patienten mit ZAV, Differenzialdiagnosen des subakuten Sehverlustes (zentraler Venenverschluss, diabetisches Makulaödem, nicht-arteriitische ischämische Optikusneuropathie und geographische Atrophie der Makula) sowie einer physiologisch unauffälligen Kontrollkohorte verwendet. Diese 150 Augenaufnahmen wurden vorab durch Fachärzte klassifiziert und in drei Gruppen (ZAV, Gesund, Differenzialdiagnose) eingeteilt. Unser methodischer Ansatz beinhaltet eine Nested-5-fold-cross-validation-Herangehensweise, um den Datensatz in die für Training und Validierung erforderlichen Gruppen jeweils einzuteilen. Als Model haben wir ein Resnet-18 verwendet.

Ergebnisse: Die Ergebnisse zeigten eine AUC von 0,96 (95% Konfidenzintervall (CI): ±0,03), 0,98 (95% CI: ±0,01) und 0,91 (95% CI: ±0,05) für die Kontrollgruppe, ZAV und Differenzialgruppe. Unser Algorithmus wies eine hohe AUC sowie eine hohe Sensitivität und Spezifität bei der Erkennung von ZAV und den verschiedenen Differenzialdiagnosen auf. Diese Ergebnisse unterstreichen das Potenzial des Einsatzes von MLAs zur Identifizierung weniger häufiger Ursachen in akuten Notfallsituationen in der klinischen Praxis. Weitere Trainings – insbesondere mit mehr Daten – können die Ergebnisse verbessern, um im Notfallsetting anhand automatisierter OCT-Diagnostik einen ZAV sicher erkennen zu können.