gms | German Medical Science

Hintergrund: Die optische Kohärenztomographie der Kornea (AS-OCT) ermöglicht die Darstellung einer Transplantatdehiszenzen nach DMEK und ist der reinen Spaltlampenuntersuchung diesbezüglich überlegen. Ziel dieser Studie war die Verwendung eines Deep-Learning-Algorithmus zur automatischen Detektion einer Transplantatdehiszenz nach DMEK im AS-OCT.

Methoden: Ein tiefes neuronales Netzwerk wurde an 1072 AS-OCT-Bildern trainiert, um eine postoperativ aufgetretene Transplantatdehiszenz nach DMEK automatisch zu erkennen. Anschließend erfolgte eine Überprüfung an 100 unabhängigen Testbildern. Für die Testbilder wurde ein Wahrscheinlichkeitscore zwischen 0 und 1 ausgegeben (GD-Score). Zur Überprüfung der Wiederholbarkeit wurde das Verfahren ein zweites Mal wiederholt.

Ergebnisse: Eine Transplantatdehiszenz wurde in 47 von 50 Fällen (GD-Score: 0,88 ± 0,2), eine Transplantatanlage in 49 von 50 Fällen (GD-Score: 0,08 ± 0,13) korrekt erkannt. Die Sensitivität lag bei 98 %, die Spezifität bei 94 % und die Testgenauigkeit bei 96%. Die Wiederholbarkeit der Ergebnisse war sehr gut.

Schlussfolgerung: Der verwendete Deep-Learning-Algorithmus ermöglicht die automatische Detektion einer Transplantatdehiszenz nach DMEK im AS-OCT. Ziel von Nachfolgestudien sollte die Bewertung zur Unterstützung bei der Entscheidungsfindung für ein Rebubbling sein.