Keratokonusdetektion und Ableitung des Ausprägungsgrades aus den Parametern des Corvis®ST

Abstract

Zusammenfassung Hintergrund und Zielsetzung In den vergangenen Jahren wurden zunehmend Systeme der künstlichen Intelligenz in der Medizin etabliert, die Pathologien oder Erkrankungen erkennen oder von komplementären Erkrankungen abgrenzen. Bisher liefert das Corvis®ST (Corneal Visualization Scheimpflug Technology, Oculus, Wetzlar, Deutschland) einen Index-CBI, der quasi binär Keratokonus klassifiziert, aber kein Staging zulässt. Ziel der Studie ist es, anhand von Messgrößen des Corvis®ST ein Vorhersagemodell zu entwerfen, das den Topographic Keratoconus Classification Index (TKC) der Pentacam high resolution (HR, Oculus) nachbildet. Patienten und Methoden Es wurden 60 Messungen an Normalprobanden (TKC 0) und 379 Augen mit Keratokonus (TKC 1 bis 4) in die Studie mit einbezogen. Nach der Messung mit der Pentacam HR (Zielgröße TKC) wurde eine Untersuchung mit dem Corvis®ST durchgeführt, aus der 6 Messparameter extrahiert wurden, die in den Corvis Biomechanical Index CBI eingehen (ARTh, SP-A1, DA-Ratio 1 mm, DA-Ratio 2 mm, A1 velocity, max. Deformation Amplitude). Neben dem TKC als Zielgröße wurde der binarisierte TKC (1: TKC 1 bis 4, 0: TKC 0) modelliert. Als Gütemaß wurde die Genauigkeit des Modells als Anteil der korrekten Klassifizierungen herangezogen. Fehlklassifizierungen wurden in der Modellierung so bestraft, dass die Abweichung des modellierten TKC-Wertes vom gemessenen Wert bewertet wurde. Ergebnisse Es wurden 24 verschiedene Modelle des überwachten maschinellen Lernens aus 6 Familien getestet. Für die Modellierung des TKC in Stufen von 0–4 zeigte das Modell, basierend auf einer Support Vector Machine (SVM) mit linearem Kernel, die beste Performance mit einem Anteil an richtigen Klassifizierungen von 65,1 %. Für den binarisierten Wert des TKC zeigte ein Decision Tree mit grober Auflösung die beste Performance mit einem Anteil an richtigen Klassifizierungen von 95,2 %, direkt gefolgt von der SVM mit linearem oder quadratischem Kernel und dem Nearest Neighborhood Classifier mit kubischem Kernel (jeweils 94,5 %). Schlussfolgerungen In der Arbeit soll das Prinzip des überwachten Maschinenlernens in der Anwendung auf die modellierte Klassifizierung von Messbefunden gezeigt werden. So wurden Messdaten des Corvis®ST dazu verwendet, die Einteilung in den Schweregrad eines Keratokonus mittels Pentacam (TKC) mit einer ganzen Reihe von Algorithmen des maschinellen Lernens nachzubilden.

Combined biomechanical and tomographic keratoconus staging: Adding a biomechanical parameter to the ABCD keratoconus staging system

“…2019; Langenbucher et al. 2020). The Pentacam provides tomographical measurements and generates an ABC stage according to the ABCD KC classification (Belin et al.…”

“…The diagnosis and classification of KC and ectatic corneal diseases have been refined in recent years by the advent of tomographic and biomechanical analysis of the cornea by different devices. Measurement of biomechanical dynamic corneal response parameters can be performed using the CST (Vinciguerra et al 2016(Vinciguerra et al , 2017Ambr osio et al 2017;Elham et al 2017;Zhao et al 2019;Langenbucher et al 2020).…”

“…The Corvis Biomechanical Index (CBI) incorporates a number of different biomechanical parameters and is useful in differentiating KC from normal corneas (Reisdorf 2019;Langenbucher et al 2020). The study that introduced the CBI stated a 100% specificity and 94.1% sensitivity of the CBI in diagnosing KC in the training dataset (n = 329 corneas of 227 healthy controls and 102 KC patients) and a 98.4% specificity and 100% sensitivity in the validation dataset (n = 329 corneas of 251 healthy and 78 KC patients, Vinciguerra et al 2016;Reisdorf 2019).…”

Das biomechanische E-Staging: In-vivo-Biomechanik beim Keratokonus

“…Beim Corvis Biomechanischen Index (CBI) handelt es sich um einen logistischen Regressionsalgorithmus, der verschiedene biomechanische Parameter kombiniert, um eine Unterscheidung zwischen dem Keratokonus einerseits und gesunden Hornhäuten andererseits zu erreichen 19 , 20 . Der CBI verhält sich quasi-binär und gibt im Sinne einer Ja-Nein-Entscheidung farbcodiert in Grün den Wert 0 für eine gesunde Hornhaut und in Rot den Wert 1 für einen Keratokonus aus 20 , 21 , 22 . Unter Berücksichtigung der durch die Pentacam gemessenen tomografischen Werte generiert das Corvis ST in einem 2.…”

Artificial Intelligence, Machine Learning and Calculation of Intraocular Lens Power

“…Maschinelles Lernen umfasst innerhalb der künstlichen Intelligenz den Bereich, der sich mit dem selbstständigen Erschließen von Zusammenhängen auf der Basis von (Mess-)Daten beschäftigt [2]. Besonders sinnvoll erscheint der Einsatz des maschinellen Lernens, wenn logische Zusammenhänge zwischen Einflussfaktoren und Wirkung nicht mehr klar erkennbar sind oder die Zusammenhänge zu komplex erscheinen, um einen formalen Zusammenhang herzustellen [8]. Eines der bekanntesten Anwendungsfelder des maschinellen Lernens ist die Wettervorhersage, hier wird auf der Basis historischer Messdaten ein Vorhersagemodell entwickelt, das mit den traditionell verwendeten statistischen Vorhersagemodellen keine Gemeinsamkeiten mehr aufweist.…”