Künstliche Intelligenz zur Klassifizierung von Papillenanomalien

NEUROOPHTHA Singapur – mechentel news – Ärztinnen und Ärzte ohne eine ophthalmologische Ausbildung können eine direkte Ophthalmoskopie im Allgemeinen nicht mit validen Ergebnissen durchführen. Die Autoren um Dan Milea aus dem Singapore National Eye Center untersuchten den Einsatz künstlicher Intelligenz zur Erkennung von Papillenödemen und anderen Papillenanomalien anhand von Fundusaufnahmen. Dazu wurde ein Deep-Learning-System trainiert, validiert und extern getestet, um Papillen als normal, mit einem Papillenödem oder mit anderen Anomalien behaftet zu klassifizieren. Verwendet wurden 15.846 retrospektiv gesammelte Augenhintergrundfotos, die unter pharmakologischer Pupillendilatation und mit verschiedenen Digitalkameras von Personen mehrerer ethnischer Bevölkerungsgruppen angefertigt worden waren. Von diesen Fotos wurden 14.341 aus 19 Zentren in 11 Ländern für das Training und Validierungen verwendet und 1.505 Fotos aus 5 anderen Zentren wurden für externe Tests genutzt. Die Leistung bei der Klassifizierung des Erscheinungsbilds der Papille wurde bewertet, indem die Fläche unter der Isosensitivitätskurve (AUC), die Empfindlichkeit und die Spezifität im Vergleich zu einem Referenzstandard für klinische Diagnosen durch Neuro-Ophthalmologen berechnet wurden. Die Trainings- und Validierungsdatensätze von 6.779 Patienten umfassten 14.341 Fotos: 9.156 normale Papillen, 2.148 Papillen mit Papillenödem und 3.037 Papillen mit anderen Anomalien. Der als normal eingestufte Prozentsatz lag bei den verschiedenen Zentren zwischen 9,8 und 100%. Der Anteil von Papillenödemen lag zwischen null und 59,5%. Im Validierungsdatensatz unterschied das System Papillen mit Papillenödem von normalen Papillen und Papillen mit anderen Anomalien mit einer AUC von 0,99 (95% Konfidenzintervall [KI] 0,98 bis 0,99) und normale von abnormalen Papillen mit einer AUC von 0,99 (95% KI 0,99 bis 0,99). Beim externen Testdatensatz von 1.505 Fotografien wies das System eine AUC zum Nachweis von Papillenödemen von 0,96 (95% KI 0,95 bis 0,97), eine Sensitivität von 96,4% und eine Spezifität von 84,7% auf. Die Autoren kommen in der April-Ausgabe 2020 des NEW ENGLAND JOURNAL OF MEDICINE zu dem Schluss, dass ein Deep-Learning-System unter Verwendung von Fundusfotos, angefertigt bei pharmakologisch erweiterten Pupillen, zwischen Papillen mit Papillenödem, normalen Papillen und Papillen mit nicht-ödematösen Anomalien unterscheiden kann. (bs)

Autoren: Milea D, Najjar RP, Zhubo J, et al. Korrespondenz: Dr. Wong, Singapore National Eye Center, 11 Third Hospital Ave., Singapore 168751, Singapore. E-Mail: wong.tien.yin@singhealth.com.sg Studie: Artificial Intelligence to Detect Papilledema from Ocular Fundus Photographs. Quelle: N Engl J Med. 2020;382(18):1687-1695. doi:10.1056/NEJMoa1917130. Web: https://www.nejm.org/doi/10.1056/NEJMoa1917130