Deep-Learning-Modelle können die Glaukomkonversion bei normotensiven Patienten mit Glaukomverdacht vorhersagen

GLAUCOMA Jeju – Aus Südkorea stammt eine Arbeit von Ahnul Ha aus dem Department of Ophthalmology der Jeju National University, der zusammen mit Kollegen aus Seoul die Leistungsfähigkeit von Deep-Learning-Modellen (DL) zur Vorhersage der Konversion in ein Normaldruckglaukom (NTG) bei normotensiven Patienten mit Glaukomverdacht untersucht. Insgesamt wurden die Datensätze von 12 458 Augen von Glaukomverdachtsfällen überprüft. Davon wurden 210 Augen (105 Augen mit NTG-Konversion und 105 Augen ohne Konversion), eingeschlossen, die über einen Zeitraum von mindestens sieben Jahren nachuntersucht wurden und bei denen der Augeninnendruck (IOD) unter 21 mm Hg lag. Die Merkmale von jeweils zwei Fundusbildern (Papillenaufnahme und eine Aufnahme der rotfreien retinalen Nervenfaserschicht (RNFL)) wurden mit Hilfe eines auf die Extraktion von Bildmerkmalen spezialisierten neuronalen Netzwerks, einem Convolutional Autoencoder, extrahiert. Die extrahierten Merkmale wurden zusammen mit 15 klinischen Merkmalen, darunter Alter, Geschlecht, Augeninnendruck, sphärisches Äquivalent, zentrale Hornhautdicke, axiale Länge, mittlere zirkumpapilläre RNFL-Dicke, systolischer/diastolischer Blutdruck und Body-Mass-Index verwendet, um die NTG-Konversion vorherzusagen. Die Vorhersage wurde mit drei Klassifikatoren des maschinellen Lernens (XGBoost, Random Forest, Gradient Boosting) mit unterschiedlichen Funktionskombinationen durchgeführt. Alle drei Algorithmen erreichten eine hohe diagnostische Genauigkeit für die Vorhersage der NTG-Konversion. Die AUCs lagen zwischen 0,987 (95% Konfidenzintervall 0,978 bis 1,000) für Random Forest und 0,994 (95% KI 0,984 bis 1,000) für XGBoost. Beide Klassifikatoren wurden sowohl mit Fundusbildern als auch mit klinischen Merkmalen trainiert. XGBoost zeigte die beste Vorhersageleistung für die Zeit bis zur NTG-Konversion (mittlerer quadratischer Fehler 2,24). Die drei wichtigsten klinischen Merkmale für die Vorhersage der Zeit bis zur Konversion waren der Ausgangs-IOD, der diastolische Blutdruck und die mittlere zirkumpapilläre RNFL-Dicke. In der elektronischen Vorabpublikation im November 2023 beim BRITISH JOURNAL OF OPHTHALMOLOGY zeigen die Autoren das Potenzial von Deep-Learning-Modellen, die sowohl mit Fundusbildern als auch mit klinischen Daten trainiert wurden, um vorherzusagen, ob und wann normotensive Glaukomverdachtspatienten eine Konversion zu einem Normaldruckglaukom zeigen werden. (bs)

Autoren: Ha A, Sun S, Kim YK, Jeoung JW, Kim HC, Park KH. Korrespondenz: Professor Ki Ho Park, Department of Ophthalmology, Seoul National University Hospital, Jongno-gu, 03080, Korea. E-Mail: kihopark@snu.ac.kr Studie: Deep-learning-based prediction of glaucoma conversion in normotensive glaucoma suspects. Quelle: Br J Ophthalmol. 2023 Nov 2:bjo-2022-323167. doi: 10.1136/bjo-2022-323167. Epub ahead of print. PMID: 37918891. Web: https://bjo.bmj.com/content/early/2023/09/27/bjo-2022-323167.long