gms | German Medical Science

72. Tagung der Vereinigung Norddeutscher Augenärzte

02. - 03.06.2023, Osnabrück

Article

Send article

Künstliche Intelligenz in Detektion von AMD und Geschlecht verstehen

Meeting Abstract

Search Medline for

  • Hanna Faber - Hamburg; Tübingen; London
  • M. Spitzer - Hamburg
  • M. Ayhan - London
  • I. Ilanchezian - Tübingen
  • F. Schüttauf - Hamburg
  • P. Berens - Tübingen

Vereinigung Norddeutscher Augenärzte. 72. Tagung der Vereinigung Norddeutscher Augenärzte (VNDA). Osnabrück, 02.-03.06.2023. Düsseldorf: German Medical Science GMS Publishing House; 2023. Doc23vnda41

doi: 10.3205/23vnda41, urn:nbn:de:0183-23vnda414

Published: June 1, 2023

© 2023 Faber et al.
This is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License. See license information at http://creativecommons.org/licenses/by/4.0/.

Outline

Text

Hintergrund: Künstliche Intelligenz (KI) übertrifft Ophthalmologen in der Bildklassifizierung. Einerseits konnte KI das Geschlecht des Patienten vorhersagen. Andererseits zeigt KI in der Erkennung retinaler Pathologien in Studien eine ausgezeichnete Performance. Barrieren in der klinischen Anwendung sind fehlende Nachvollziehbarkeiten in der Entscheidungsfindung. Ziel der Arbeit ist das Aufzeigen von Möglichkeiten, die „Black Box“ der KI zu verstehen.

Methoden: Es werden einfachere Netzwerkarchitekturen zur Erklärung des Genderproblems und ein Farbcodierungssystem angewandt, die die Relevanz unterschiedlicher Bildelemente zur Krankheitsklassifikation (Saliency-Map) bei neovaskulärer altersbedingter Makuladegeneration hervorheben.

Ergebnisse: Einfachere Netzwerke mit höherer Nachvollziehbarkeit zeigen höhere Genauigkeit (Accuracy (85.26% vrs. 82.97), AUC (0.91 vrs. 0.93)). Saliency-Maps zeigten in OCT-Daten bei altersbedinger Makualdegeneration, dass die Areale mit sub- und intraretinaler Flüssigkeit Grundlage für Aktivitätsdetektion sind.

Schlussfolgerungen: Entscheidungen künstlicher Intelligenz können transparent dargestellt werden. Diese schnellzugängliche Fals- oder Verifizierung erleichtert die Implementation in der klinischen Routine.