Article
Validierung eines Deep-Learning-Algorithmus zur automatisierten Annotation von nAMD-Biomarkern in SD-OCTs verschiedener Geräteanbieter mittels eines externen Datensatzes
Search Medline for
Authors
-
Matthias Gutfleisch
- Münster
-
B. Heimes-Bussmann
- Münster
-
S. Aydin
- deepeye medical GmbH, München
-
H. Faatz
- Münster
-
M. Ziegler
- Münster
-
C. Lange
- Münster; Freiburg i. Br.
-
G. Spital
- Münster
-
P. Mussinghoff
- Münster
-
A. Lommatzsch
- Münster; Achim Wessing Institut für Ophthalmologische Diagnostik, Universität Duisburg-Essen
-
K. Rothaus
- Münster
| Published: | June 25, 2024 |
|---|
Outline
Text
Hintergrund: Der Einsatz von auf künstlicher Intelligenz basierenden, klinischen Entscheidungshilfen bietet neue Möglichkeiten, ruft aber auch Skepsis hervor. Die Validierung der Leistungsfähigkeit und Zuverlässigkeit von KI-Algorithmen anhand unabhängiger Datenquellen ist wichtig, um das Vertrauen in solche Entscheidungshilfen zu stärken. In unserer Studie wurden SD-OCTs von Patienten mit neovaskulärer altersbedingter Makuladegeneration (nAMD) aus dem ORCA-Datensatz der OCEAN-Studie verwendet, um bereits entwickelte KI-Modelle zur Segmentierung von SD-OCTS bei nAMD zu validieren.
Methoden: Wir analysierten 1964 retinale SD-OCT Bilder von Patienten mit nAMD verschiedener Gerätehersteller. Zwei separate Datensätze wurden erstellt und mit den existierenden KI-Modellen untersucht, um Biomarker wie intraretinale Flüssigkeit (IRF), subretinale Flüssigkeit (SRF) und Pigmentepithelabhebung (PED) zu identifizieren. In einem ersten Schritt wurden Schwellenwerte angepasst, um eine automatisierte Klassifizierung der Biomarker anhand ihres Volumens (vorhanden oder nicht vorhanden) analog zur ORCA-Klassifikation zu ermöglichen. Die Effektivität dieser Segmentierung wurde mit dem zweiten Datensatz evaluiert.
Ergebnisse: Die Schwellenwerte wurden angepasst, um kleine falsch positive Ergebnisse zu minimieren: IRF bei 0 Voxel, SRF bei 4.000 Voxel (entspricht 0,0212 mm3) und PED bei 2.000 Voxel (0,0106 mm3). Die Segmentierungsgenauigkeit betrug 89% für IRF, 84% für SRF und 89% für PED.
Schlussfolgerungen: Die Validierung von KI-basierten Segmentierungsalgorithmen mit externen Datenquellen ist von großer Bedeutung, um ihre Anwendbarkeit und Zuverlässigkeit in realen klinischen Szenarien zu bestätigen. Unsere Ergebnisse verdeutlichen die Notwendigkeit einer kontinuierlichen Optimierung und Anpassung der Modelle, um die Erkennung und Klassifizierung von Biomarkern zu verbessern. Die Ergebnisse unterstreichen die Bedeutung einer externen Validierung, um die Vielfalt und Anpassungsfähigkeit der klinischen Anforderungen zu gewährleisten. Zukünftige Projekte sollten die Robustheit dieser Ansätze gegenüber unterschiedlichen Aufnahmetechniken und Patientengruppen weiter untersuchen.
