nach oben

Die Ophthalmologie

Erschienen in:

22.04.2021 | Glaukom | Leitthema

Diagnostik von Erkrankungen des Sehnervenkopfes in Zeiten von künstlicher Intelligenz und Big Data

verfasst von: Dr. med. R. Diener, M. Treder, N. Eter

Erschienen in: Die Ophthalmologie | Ausgabe 9/2021

Einloggen, um Zugang zu erhalten

Zusammenfassung

Hintergrund

Der Einsatz von künstlicher Intelligenz (KI) ist unter anderem in der automatischen Bildsegmentierung, -analyse und Klassifikation interessant und bereits für verschiedene Bereiche der Augenheilkunde beschrieben.

Fragestellung

Diese Arbeit soll einen Überblick über aktuelle Ansätze und Fortschritte bei der Anwendung von Big Data und KI bei verschiedenen Erkrankungen des Sehnervenkopfes geben.

Material und Methode

Es wurde eine PubMed-Recherche durchgeführt. Gesucht wurde nach Studien, die klinische Fragestellungen mithilfe von Big-Data-Ansätzen beantworteten oder klassische Methoden des maschinellen Lernens bei der Analyse von multimodaler Bildgebung des Sehnervenkopfes verwendeten.

Ergebnisse

Big Data kann bei Volkskrankheiten wie dem Glaukom helfen, klinische Fragestellungen zu beantworten. KI findet sowohl bei der Segmentierung von multimodaler Bildgebung des Sehnervenkopfes als auch bei der Klassifikation von Erkrankungen wie dem Glaukom oder der Stauungspapille auf diesen Bilddaten Anwendung.

Schlussfolgerung

Mithilfe von Big Data und KI können Zusammenhänge besser erkannt und die Diagnostik und Verlaufsbeurteilung von Erkrankungen des Sehnervenkopfes erleichtert oder automatisiert werden. Eine Voraussetzung für die klinische Anwendung ist in Europa die CE-Kennzeichnung als ein Medizinprodukt und in den USA die Zulassung durch die Food and Drug Administration.

Clark A, Ng J, Morlet N, Semmens J (2016) Big data and ophthalmic research. Surv Ophthalmol 61(4):443–465PubMedCrossRef

Ellis JD, Evans JM, Ruta DA, Baines PS, Leese G, MacDonald TM et al (2000) Glaucoma incidence in an unselected cohort of diabetic patients: is diabetes mellitus a risk factor for glaucoma? Br J Ophthalmol 84(11):1218–1224PubMedPubMedCentralCrossRef

Kuang TM, Xirasagar S, Kao YW, Shia BC, Lin HC (2020) Association of systemic hypertension with primary open-angle glaucoma: a population-based case-control study. Am J Ophthalmol 218:99–104PubMedCrossRef

Teikari J, O’Donnell J, Nurminen M, Raivio I (1991) Acute closed angle glaucoma and sunshine. J Epidemiol Community Health 45(4):291–293PubMedPubMedCentralCrossRef

Gillies M, Walton R, Liong J, Arnold J, McAllister I, Morlet N et al (2014) Efficient capture of high-quality data on outcomes of treatment for macular diseases: the fight retinal blindness! Project. Retina 34(1):188–195PubMedCrossRef

Parke Ii D, Lum F, Rich W (2017) The IRIS® registry: purpose and perspectives. Ophthalmologe 114(1):1–6PubMedCrossRef

van Dijk K, Ham L, Tse WH, Liarakos VS, Quilendrino R, Yeh RY et al (2013) Near complete visual recovery and refractive stability in modern corneal transplantation: descemet membrane endothelial keratoplasty (DMEK). Cont Lens Anterior Eye 36(1):13–21PubMedCrossRef

Alnawaiseh M, Alten F, Huelsken G, Rentmeister G, Lange M, Claes T et al (2015) Implementierung einer elektronischen Patientenakte an einer deutschen Augenklinik der Maximalversorgung. Ophthalmologe 112(4):337–345PubMedCrossRef

Kortüm K, Müller M, Babenko A, Kampik A, Kreutzer T (2015) Entwicklung eines augenärztlichen klinischen Informationssystems für bettenführende Augenkliniken. Ophthalmologe 112(12):995–1001PubMedCrossRef

10.

Kuchenbecker J, Behrens-Baumann W (2004) Einsatz einer elektronischen Patientenakte (EPA) an der Universitätsaugenklinik Magdeburg. Ophthalmologe 101(12):1214–1219PubMedCrossRef

11.

Spira-Eppig C, Eppig T, Bischof M, Schießl G, Milioti G, Käsmann-Kellner B et al (2018) Per aspera ad astra: Einführung einer elektronischen Patientenakte an einer Universitätsaugenklinik: Erfahrungen mit „FIDUS“ in der Klinik für Augenheilkunde am Universitätsklinikum des Saarlandes UKS. Ophthalmologe 115(10):868–877PubMedCrossRef

12.

Kortüm K, Kern C, Meyer G, Priglinger S, Hirneiß C (2017) Rahmenbedingungen zur Sammlung von „Real-Life“-Daten am Beispiel der Augenklinik der Universität München. Klin Monbl Augenheilkd 234(12):1477–1482PubMedCrossRef

13.

Bommakanti NK, Zhou Y, Ehrlich JR, Elam AR, John D, Kamat SS et al (2020) Application of the sight outcomes research collaborative ophthalmology data repository for triaging patients with glaucoma and clinic appointments during pandemics such as COVID-19. Jama Ophthalmol 138(9):974–980PubMedCrossRef

14.

Schmidt-Erfurth U, Sadeghipour A, Gerendas B, Waldstein S, Bogunović H (2018) Artificial intelligence in retina. Prog Retin Eye Res 67:1–29PubMedCrossRef

15.

Treder M, Eter N (2018) „Deep Learning“ und neuronale Netzwerke in der Augenheilkunde. Ophthalmologe 115(9):714–721PubMedCrossRef

16.

Treder M, Diener R, Eter N (2020) Künstliche Intelligenz zum Management von Makulaödemen. Ophthalmologe 117(10):989–992PubMedCrossRef

17.

Varma R, Steinmann WC, Scott IU (1992) Expert agreement in evaluating the optic disc for glaucoma. Ophthalmology 99(2):215–221PubMedCrossRef

18.

Gao J, Jiang Y, Zhang H, Wang F (2020) Joint disc and cup segmentation based on recurrent fully convolutional network. PLoS ONE 15(9):e238983PubMedPubMedCentralCrossRef

19.

Zhao R, Chen X, Liu X, Chen Z, Guo F, Li S (2020) Direct cup-to-disc ratio estimation for glaucoma screening via semi-supervised learning. IEEE J Biomed Health Inform 24(4):1104–1113PubMedCrossRef

20.

Mansberger SL, Menda SA, Fortune BA, Gardiner SK, Demirel S (2017) Automated segmentation errors when using optical coherence tomography to measure retinal nerve fiber layer thickness in glaucoma. Am J Ophthalmol 174:1–8PubMedCrossRef

21.

Mariottoni EB, Jammal AA, Urata CN, Berchuck SI, Thompson AC, Estrela T et al (2020) Quantification of retinal nerve fibre layer thickness on optical coherence tomography with a deep learning segmentation-free approach. Sci Rep 10(1):402PubMedPubMedCentralCrossRef

22.

Thompson AC, Jammal AA, Berchuck SI, Mariottoni EB, Medeiros FA (2020) Assessment of a segmentation-free deep learning algorithm for diagnosing glaucoma from optical coherence tomography scans. Jama Ophthalmol 138(4):333–339PubMedPubMedCentralCrossRef

23.

Devalla SK, Chin KS, Mari JM, Tun TA, Strouthidis NG, Aung T et al (2018) A deep learning approach to digitally stain optical coherence tomography images of the optic nerve head. Invest Ophthalmol Vis Sci 59(1):63–74PubMedCrossRef

24.

Liu Y, Simavli H, Que CJ, Rizzo JL, Tsikata E, Maurer R et al (2015) Patient characteristics associated with artifacts in spectralis optical coherence tomography imaging of the retinal nerve fiber layer in glaucoma. Am J Ophthalmol 159(3):565–576.e2PubMedCrossRef

25.

Devalla SK, Pham TH, Panda SK, Zhang L, Subramanian G, Swaminathan A et al (2020) Towards label-free 3D segmentation of optical coherence tomography images of the optic nerve head using deep learning. Biomed Opt Express 11(11):6356–6378PubMedPubMedCentralCrossRef

26.

Moyer VA (2013) Screening for glaucoma: U.S. preventive services task force recommendation statement. Ann Intern Med 159(7):484–489PubMed

27.

Muramatsu C, Hayashi Y, Sawada A, Hatanaka Y, Hara T, Yamamoto T et al (2010) Detection of retinal nerve fiber layer defects on retinal fundus images for early diagnosis of glaucoma. J Biomed Opt 15(1):16021PubMedCrossRef

28.

Li Z, He Y, Keel S, Meng W, Chang RT, He M (2018) Efficacy of a deep learning system for detecting glaucomatous optic neuropathy based on color fundus photographs. Ophthalmology 125(8):1199–1206PubMedCrossRef

29.

Phene S, Dunn RC, Hammel N, Liu Y, Krause J, Kitade N et al (2019) Deep learning and glaucoma specialists: the relative importance of optic disc features to predict glaucoma referral in fundus photographs. Ophthalmology 126(12):1627–1639PubMedCrossRef

30.

Medeiros FA, Jammal AA, Thompson AC (2019) From machine to machine: an OCT-trained deep learning algorithm for objective quantification of glaucomatous damage in fundus photographs. Ophthalmology 126(4):513–521PubMedCrossRef

31.

Jammal AA, Thompson AC, Mariottoni EB, Berchuck SI, Urata CN, Estrela T et al (2020) Human versus machine: comparing a deep learning algorithm to human gradings for detecting glaucoma on Fundus photographs. Am J Ophthalmol 211:123–131PubMedCrossRef

32.

Thompson AC, Jammal AA, Medeiros FA (2019) A deep learning algorithm to quantify neuroretinal rim loss from optic disc photographs. Am J Ophthalmol 201:9–18PubMedPubMedCentralCrossRef

33.

Christopher M, Bowd C, Belghith A, Goldbaum MH, Weinreb RN, Fazio MA et al (2020) Deep learning approaches predict glaucomatous visual field damage from OCT optic nerve head en face images and retinal nerve fiber layer thickness maps. Ophthalmology 127(3):346–356PubMedCrossRef

34.

Mariottoni EB, Datta S, Dov D, Jammal AA, Berchuck SI, Tavares IM et al (2020) Artificial intelligence mapping of structure to function in glaucoma. Transl Vis Sci Technol 9(2):19PubMedPubMedCentralCrossRef

35.

Yang HK, Kim YJ, Sung JY, Kim DH, Kim KG, Hwang JM (2020) Efficacy for differentiating nonglaucomatous versus glaucomatous optic neuropathy using deep learning systems. Am J Ophthalmol 216:140–146PubMedCrossRef

36.

Sachdeva V, Vasseneix C, Hage R, Bidot S, Clough LC, Wright DW et al (2018) Optic nerve head edema among patients presenting to the emergency department. Neurology 90(5):e373–e9PubMedPubMedCentralCrossRef

37.

Biousse V, Bruce BB, Newman NJ (2018) Ophthalmoscopy in the 21st century: the 2017 H. Houston Merritt lecture. Neurology 90(4):167–175PubMedPubMedCentralCrossRef

38.

Frisén L (1982) Swelling of the optic nerve head: a staging scheme. J Neurol Neurosurg Psychiatry 45(1):13–18PubMedPubMedCentralCrossRef

39.

Echegaray S, Zamora G, Yu H, Luo W, Soliz P, Kardon R (2011) Automated analysis of optic nerve images for detection and staging of papilledema. Invest Ophthalmol Vis Sci 52(10):7470–7478PubMedCrossRef

40.

Akbar S, Akram MU, Sharif M, Tariq A, Yasin UU (2017) Decision support system for detection of papilledema through fundus retinal images. J Med Syst 41(4):66PubMedCrossRef

41.

Fatima KN, Hassan T, Akram MU, Akhtar M, Butt WH (2017) Fully automated diagnosis of papilledema through robust extraction of vascular patterns and ocular pathology from fundus photographs. Biomed Opt Express 8(2):1005–1024PubMedPubMedCentralCrossRef

42.

Ahn JM, Kim S, Ahn KS, Cho SH, Kim US (2019) Accuracy of machine learning for differentiation between optic neuropathies and pseudopapilledema. BMC Ophthalmol 19(1):178PubMedPubMedCentralCrossRef

43.

Milea D, Najjar RP, Zhubo J, Ting D, Vasseneix C, Xu X et al (2020) Artificial intelligence to detect papilledema from ocular fundus photographs. N Engl J Med 382(18):1687–1695PubMedCrossRef

44.

De Fauw J, Ledsam JR, Romera-Paredes B, Nikolov S, Tomasev N, Blackwell S et al (2018) Clinically applicable deep learning for diagnosis and referral in retinal disease. Nat Med 24(9):1342–1350PubMedCrossRef

Titel: Diagnostik von Erkrankungen des Sehnervenkopfes in Zeiten von künstlicher Intelligenz und Big Data
verfasst von: Dr. med. R. Diener
M. Treder
N. Eter
Publikationsdatum: 22.04.2021
Verlag: Springer Medizin
Schlagwörter: Glaukom
Künstliche Intelligenz
Erschienen in: Die Ophthalmologie / Ausgabe 9/2021
Print ISSN: 2731-720X
Elektronische ISSN: 2731-7218
DOI: https://doi.org/10.1007/s00347-021-01385-6

Update Augenheilkunde

Bestellen Sie unseren Fach-Newsletter und bleiben Sie gut informiert.

Newsletter bestellen

Springer Medizin

Diagnostik von Erkrankungen des Sehnervenkopfes in Zeiten von künstlicher Intelligenz und Big Data

Zusammenfassung

Hintergrund

Fragestellung

Material und Methode

Ergebnisse

Schlussfolgerung

Neu im Fachgebiet Augenheilkunde

Ophthalmika in der Schwangerschaft

Operative Therapie und Keimnachweis bei endogener Endophthalmitis

Bakterielle endogene Endophthalmitis

So erreichen Sie eine bestmögliche Wundheilung der Kornea

Update Augenheilkunde

Springer Medizin

Zusammenfassung

Hintergrund

Fragestellung

Material und Methode

Ergebnisse

Schlussfolgerung

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Weitere Artikel der Ausgabe 9/2021

Kombinierter Netzhautgefäßverschluss nach sportlicher Überanstrengung im jungen Alter

Klinische und echographische Untersuchungsbefunde bei Patienten mit Carotis-Sinus-cavernosus-Fisteln

Parameter zur Messung der regionalen Versorgungssituation

Fixation einer Intraokularlinse bei intraoperativem Hinterkapseldefekt durch Einklemmen der Linsenoptik in der vorderen Kapsulorhexis

76-jährige Frau mit zunächst einseitiger Papillenschwellung und Sehschärfenminderung unklarer Genese

Telemedizinische Ansätze in der Augenheilkunde in Zeiten von COVID-19

Neu im Fachgebiet Augenheilkunde

Ophthalmika in der Schwangerschaft

Operative Therapie und Keimnachweis bei endogener Endophthalmitis

Bakterielle endogene Endophthalmitis

So erreichen Sie eine bestmögliche Wundheilung der Kornea

Update Augenheilkunde