Review und Meta-Analyse: Was leisten Deep-Learning-Algorithmen bei der Keratokonus-Diagnostik?

CORNEA Zürich – Die Prävalenz des Keratokonus in der Allgemeinbevölkerung beträgt bis zu 1:84. Diagnostik und Therapie haben sich in den letzten zwei Jahrzehnten erheblich weiterentwickelt, aber das Keratokonus-Screening in der klinischen Praxis ist nach wie vor eine Herausforderung. Eine Verbesserung der Genauigkeit der Keratokonus-Erkennung wäre hier hilfreich. Der Einsatz von Deep Learning (DL) verspricht, die Genauigkeit und Geschwindigkeit bei der Interpretation medizinischer Bildgebung deutlich zu verbessern. Nicolas S. Bodmer von der Medizinischen Fakultät der Universität Zürich und seine Co-Autoren haben ein systematisches Review und eine explorative Meta-Analyse von Studien durchgeführt, in denen DL-Algorithmen zur Diagnose von Keratokonus eingesetzt wurden. Das Review wurde entsprechend den PRISMA-Empfehlungen durchgeführt. Durchsucht wurden (Pre-)MEDLINE, Embase, Science Citation Index, Conference Proceedings Citation Index, arXiv Document Server und Google Scholar von Beginn bis zum 18. Februar 2022. Eingeschlossen wurden Studien, die die Leistungsfähigkeit von DL-Algorithmen bei der Diagnose von Keratokonus untersuchten. Die methodische Qualität der Studien wurde mit QUADAS-2 bewertet. Das Hauptergebnis war die diagnostische Leistung, definiert als Sensitivität und Spezifität. Die Recherche ergab insgesamt 4.100 nicht-duplikative Datensätze, von denen 19 Studien in die qualitative Synthese und zehn Studien in die explorative Metaanalyse eingeschlossen wurden. Die Gesamtqualität der Studien war aufgrund mangelnder Dokumentation der Patientenauswahl und der Verwendung unzureichender Referenzstandards eingeschränkt. Es ergab sich eine gepoolte Sensitivität von 97,5% (95% Konfidenzintervall [KI] 93,6% – 99,0%) und eine gepoolte Spezifität von 97,2% (95% KI 85,7% – 99,5%) für topographische Bilder als Input. In der elektronischen Vorabpublikation im Februar 2024 beim Fachjournal CORNEA kommen die Autoren zu dem Ergebnis, dass die diagnostische Gesamtleistung der DL-Modelle für die Erkennung von Keratokonus gut ist, die methodische Qualität der eingeschlossenen Studien jedoch nur mässig ist. (bs)

Autoren: Bodmer NS, Christensen DG, Bachmann LM, Faes L, Sanak F, Iselin K, Kaufmann C, Thiel MA, Baenninger PB. Korrespondenz: Nicolas S. Bodmer, MMed, Medignition Inc., Engelstrasse 6, CH-8036 Zurich, Switzerland. E-Mail: bodmer@medignition.com Studie: Deep Learning Models Used in the Diagnostic Workup of Keratoconus: A Systematic Review and Exploratory Meta-Analysis. Quelle: Cornea. 2024 Feb 1. doi: 10.1097/ICO.0000000000003467. Epub ahead of print. PMID: 38300179. Web: https://journals.lww.com/corneajrnl/fulltext/9900/deep_learning_models_used_in_the_diagnostic_workup.474.aspx