Maschinelles Lernen

Welsch, Andreas; Eitle, Verena; Buxmann, Peter

doi:10.1365/s40702-018-0404-z

Cited by 20 publications

(14 citation statements)

References 36 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Als Zielgrößen wurden in der vorliegenden Arbeit die interne postoperative Vorderkammertiefe AQD_post sowie die axiale Position des Äquators der Kunstlinse zum vorderen Hornhautscheitel LEQ_post gewählt. Mit modernen optischen Messverfahren lässt sich die AQD_post wie auch die für die Ableitung der LEQ_post benötigte LD_post auch im pseudophaken Auge sehr zuverlässig messen [14]. Nach unserem Verständnis lässt sich AQD_post sehr einfach für ein überarbeitetes Berechnungskonzept auf der Basis einer Vergenztransformation verwenden, wenn die Hornhaut und die Intraokularlinse jeweils als dicke Linse angenommen werden.…”

Section: Patienten Und Methodenunclassified

See 1 more Smart Citation

Artificial Intelligence, Machine Learning and Calculation of Intraocular Lens Power

Langenbucher

Szentmáry

Wendelstein

et al. 2020

Klin Monbl Augenheilkd

View full text Add to dashboard Cite

Background and Purpose In the last decade, artificial intelligence and machine learning algorithms have been more and more established for the screening and detection of diseases and pathologies, as well as for describing interactions between measures where classical methods are too complex or fail. The purpose of this paper is to model the measured postoperative position of an intraocular lens implant after cataract surgery, based on preoperatively assessed biometric effect sizes using techniques of machine learning. Patients and Methods In this study, we enrolled 249 eyes of patients who underwent elective cataract surgery at Augenklinik Castrop-Rauxel. Eyes were measured preoperatively with the IOLMaster 700 (Carl Zeiss Meditec), as well as preoperatively and postoperatively with the Casia 2 OCT (Tomey). Based on preoperative effect sizes axial length, corneal thickness, internal anterior chamber depth, thickness of the crystalline lens, mean corneal radius and corneal diameter a selection of 17 machine learning algorithms were tested for prediction performance for calculation of internal anterior chamber depth (AQD_post) and axial position of equatorial plane of the lens in the pseudophakic eye (LEQ_post). Results The 17 machine learning algorithms (out of 4 families) varied in root mean squared/mean absolute prediction error between 0.187/0.139 mm and 0.255/0.204 mm (AQD_post) and 0.183/0.135 mm and 0.253/0.206 mm (LEQ_post), using 5-fold cross validation techniques. The Gaussian Process Regression Model using an exponential kernel showed the best performance in terms of root mean squared error for prediction of AQDpost and LEQpost. If the entire dataset is used (without splitting for training and validation data), comparison of a simple multivariate linear regression model vs. the algorithm with the best performance showed a root mean squared prediction error for AQD_post/LEQ_post with 0.188/0.187 mm vs. the best performance Gaussian Process Regression Model with 0.166/0.159 mm. Conclusion In this paper we wanted to show the principles of supervised machine learning applied to prediction of the measured physical postoperative axial position of the intraocular lenses. Based on our limited data pool and the algorithms used in our setting, the benefit of machine learning algorithms seems to be limited compared to a standard multivariate regression model.

show abstract

Section: Patienten Und Methodenunclassified

“…der Intraokularlinse [AQD_post]) sowie die zentrale Dicke der Linse (LD_pre für die natürliche Linse bzw. LD_post für die Intraokularlinse) präoperativ sowie 8-12 Wochen nach der Kataraktoperation bestimmt[14,17]. Aus den Radien R1 und R2 wurde der Mittelwert Rmean bestimmt.…”

unclassified

Artificial Intelligence, Machine Learning and Calculation of Intraocular Lens Power

Langenbucher

Szentmáry

Wendelstein

et al. 2020

Klin Monbl Augenheilkd

View full text Add to dashboard Cite

show abstract

“…Für das Corvis ® ST wird mit dem Corvis Biomechanical Index CBI eine Kenngröße angeboten [2,33], die aufgrund der Architektur des Algorithmus eine quasi binäre Entscheidung trifft, ob ein Keratokonus vorliegt oder nicht [8,15,26,30]. Ein Staging, das beispielsweise bei einer Verlaufskontrolle unabdingbar ist, leistet der CBI nicht.…”

unclassified

“…In der vorliegenden Arbeit soll anhand von klinischen Daten, die mit dem Corvis ® ST-System sowie der Pentacam HR erhoben wurden, skizziert werden, wie aus den DCR-Parametern [2,33] des Corvis ® ST, basierend auf Strategien des überwachten Lernens, ein klassifizierender Algorithmus definiert werden kann, mit dem eine binäre Entscheidung für das Vorliegen eines Keratokonus oder eine Klassifikation des Keratokonus möglich ist. Das "Labeling" der Datensätze durch einen Experten soll dabei durch das Ergebnis des "Topographic Keratoconus Classification Index" (TKC) der Pentacam ersetzt werden.…”

unclassified

“…Künstliche Intelligenz hat in den vergangenen Jahren in viele Disziplinen der Medizin, aber auch z. B. in Bereiche der Ingenieurswissenschaften, der Naturwissenschaften oder im Finanzbereich Einzug gehalten [ 1 , 3 , 9 , 28 , 34 ]. Immer wenn logische Zusammenhänge zwischen Einflussfaktoren und Wirkung nicht mehr klar erkennbar sind oder die Zusammenhänge zu komplex erscheinen, wird heute versucht, mit Verfahren der künstlichen Intelligenz Verbindungen herzustellen.…”

unclassified

See 1 more Smart Citation

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

et al. 2020

View full text Add to dashboard Cite

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.

show abstract