nach oben

Die Ophthalmologie

Erschienen in:

08.05.2020 | Makuladegeneration | Leitthema

Künstliche Intelligenz zum Management von Makulaödemen

Chancen und Herausforderungen

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

Erschienen in: Die Ophthalmologie | Ausgabe 10/2020

Einloggen, um Zugang zu erhalten

Zusammenfassung

Makulaödeme treten bei einer Vielzahl von ophthalmologischen Krankheitsbildern auf. Ihre Diagnostik und Therapie sind wichtiger Teil der heutigen Augenheilkunde. Durch die stetige Weiterentwicklung bietet künstliche Intelligenz (KI) viele Chancen, das Management von Makulaödemen zu verbessern. Dieser Beitrag soll dem Leser einen Überblick über dieses interessante Thema geben.

Abramoff MD, Lou Y, Erginay A et al (2016) Improved automated detection of diabetic retinopathy on a publicly available dataset through integration of deep learning. Invest Ophthalmol Vis Sci 57:5200–5206PubMed

Akram MU, Tariq A, Khan SA et al (2014) Automated detection of exudates and macula for grading of diabetic macular edema. Comput Methods Programs Biomed 114:141–152PubMed

Alsaih K, Lemaitre G, Rastgoo M et al (2017) Machine learning techniques for diabetic macular edema (DME) classification on SD-OCT images. BioMed Eng OnLine 16:68PubMedPubMedCentral

Arcadu F, Benmansour F, Maunz A et al (2019) Deep learning predicts OCT measures of diabetic macular thickening from color fundus photographs. Invest Ophthalmol Vis Sci 60:852–857PubMed

Bogunovic H, Waldstein S, Schlegl T et al (2017) Prediction of anti-VEGF treatment requirements in neovascular AMD using a machine learning approach. Invest Ophthalmol Vis Sci 58:3240–3248PubMed

Breger A, Ehler M, Bogunovic H et al (2017) Supervised learning and dimension reduction techniques for quantification of retinal fluid in optical coherence tomography images. Eye 31:1212–1220PubMedPubMedCentral

Chan G, Kamble R, Muller H et al (2018) Fusing results of several deep learning architectures for automatic classification of normal and diabetic macular edema in optical coherence tomography. Conf Proc IEEE Eng Med Biol Soc 2018:670–673

Cunha-Vaz J, Bernardes R, Lobo C (2011) Blood-retinal barrier. Eur J Ophthalmol 21(Suppl 6):S3–S9PubMed

Fang L, Cunefare D, Wang C et al (2017) Automatic segmentation of nine retinal layer boundaries in OCT images of non-exudative AMD patients using deep learning and graph search. Biomed Opt Express 8:2732–2744PubMedPubMedCentral

10.

Fekrat S, Sadda S, Blodi B (2019) Exploring the role of reading centers in the era of artificial intelligence. Retin Times 36(3):52–56

11.

Gerendas BS, Bogunovic H, Sadeghipour A et al (2017) Computational image analysis for prognosis determination in DME. Vision Res 139:204–210PubMed

12.

Haubold J (2020) Künstliche Intelligenz in der Radiologie: Was ist in den nächsten Jahren zu erwarten? Radiologe 60:64–69PubMed

13.

Hecht I, Bar A, Rokach L et al (2018) Optical coherence tomography biomarkers to distinguish diabetic MacUlar edema from pseudophakic cystoid MacUlar edema using MacHine learning algorithms. Retina 39:2283–2291

14.

Hwang DK, Hsu CC, Chang KJ et al (2019) Artificial intelligence-based decision-making for age-related macular degeneration. Theranostics 9:232–245PubMedPubMedCentral

15.

Katzenmeier C (2019) Big Data, E‑Health, M‑Health, KI und Robotik in der Medizin. MedR 37:259–271

16.

Lauermann JL, Woetzel AK, Treder M et al (2018) Prevalences of segmentation errors and motion artifacts in OCT-angiography differ among retinal diseases. Graefes Arch Clin Exp Ophthalmol 256:1807–1816PubMed

17.

Lee CS, Tyring AJ, Deruyter NP et al (2017) Deep-learning based, automated segmentation of macular edema in optical coherence tomography. Biomed Opt Express 8:3440–3448PubMedPubMedCentral

18.

Li F, Chen H, Liu Z et al (2019) Fully automated detection of retinal disorders by image-based deep learning. Graefes Arch Clin Exp Ophthalmol 257:495–505PubMed

19.

Liefers B, Venhuizen F, Schreur V et al (2017) Automatic detection of the foveal center in optical coherence tomography. Biomed Opt Express 8:5160–5178PubMedPubMedCentral

20.

Montuoro A, Waldstein SM, Gerendas BS et al (2017) Joint retinal layer and fluid segmentation in OCT scans of eyes with severe macular edema using unsupervised representation and auto-context. Biomed Opt Express 8:1874–1888PubMedPubMedCentral

21.

Murugeswari S, Sukanesh R (2017) Investigations of severity level measurements for diabetic macular oedema using machine learning algorithms. Ir J Med Sci 186:929–938PubMed

22.

Pham D, Xu C, Prince JL (2000) Current methods in medical image segmentation. Annu Rev Biomed Eng 2:315–337PubMed

23.

Prahs P, Radeck V, Mayer C et al (2018) OCT-based deep learning algorithm for the evaluation of treatment indication with anti-vascular endothelial growth factor medications. Graefes Arch Clin Exp Ophthalmol 256:91–98PubMed

24.

Ren F, Cao P, Zhao D et al (2018) Diabetic macular edema grading in retinal images using vector quantization and semi-supervised learning. Technol Health Care 26:389–397PubMedPubMedCentral

25.

Rohm M, Tresp V, Müller M et al (2018) Predicting visual acuity by using machine learning in patients treated for neovascular age-related macular degeneration. Ophthalmology 125:1028–1036PubMed

26.

Roy AG, Conjeti S, Karri SPK et al (2017) ReLayNet: retinal layer and fluid segmentation of macular optical coherence tomography using fully convolutional networks. Biomed Opt Express 8:3627–3642PubMedPubMedCentral

27.

Schlegl T, Waldstein SM, Bogunovic H et al (2017) Fully automated detection and quantification of macular fluid in OCT using deep learning. Ophthalmology 125:549–558PubMed

28.

Schmidt-Erfurth U, Bogunovic H, Sadeghipour A et al (2018) Machine learning to analyze the prognostic value of current imaging biomarkers in neovascular age-related macular degeneration. Ophthalmol Retin 2:24–30

29.

Schmidt-Erfurth U, Sadeghipour A, Gerendas B et al (2018) Artificial intelligence in retina. Prog Retin Eye Res 67:1–29PubMed

30.

Schwartz R, Loewenstein A (2015) Early detection of age related macular degeneration: current status. Int J Retin Vitreous Dec 1:1–20

31.

Soubrane G (2017) Macular edema of choroidal origin. Dev Ophthalmol 58:202–219PubMed

32.

Sun Y, Li S, Sun Z (2017) Fully automated macular pathology detection in retina optical coherence tomography images using sparse coding and dictionary learning. J Biomed Opt 22:16012PubMed

33.

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

34.

Treder M, Eter N (2019) Chancen von künstlicher Intelligenz und Big Data für die Diagnostik und Behandlung der altersabhängigen Makuladegeneration. Klin Monbl Augenheilkd 236:1418–1422PubMed

35.

Treder M, Lauermann JL, Eter N (2018) Automated detection of exudative age-related macular degeneration in spectral domain optical coherence tomography using deep learning. Graefes Arch Clin Exp Ophthalmol 256:259–265PubMed

36.

U.S: Food & Drug Administration. www.fda.gov/newsevents/newsroom/pressannouncements/ucm604357.htm. Zugegriffen: 15. Febr. 2020

37.

Van Der Heijden AA, Abramoff MD, Verbraak F et al (2018) Validation of automated screening for referable diabetic retinopathy with the IDx-DR device in the Hoorn diabetes care system. Acta Ophthalmol 96:63–68

38.

Venhuizen FG, Van Ginneken B, Liefers B et al (2017) Robust total retina thickness segmentation in optical coherence tomography images using convolutional neural networks. Biomed Opt Express 8:3292–3316PubMedPubMedCentral

39.

Vogl W, Waldstein S, Gerendas B et al (2017) Analyzing and predicting visual acuity outcomes of anti-VEGF therapy by a longitudinal mixed effects model of imaging and clinical data. Invest Ophthalmol Vis Sci 58:4173–4181PubMed

40.

Vogl W, Waldstein S, Gerendas B et al (2017) Predicting macular edema recurrence from spatio-temporal signatures in optical coherence tomography images. IEEE Trans Med Imaging 36:1773–1783PubMed

41.

Wang Y, Zhang Y, Yao Z et al (2016) Machine learning based detection of age-related macular degeneration (AMD) and diabetic macular edema (DME) from optical coherence tomography (OCT) images. Biomed Opt Express 7:4928–4940PubMedPubMedCentral

42.

Zou X, Zhao X, Yang Y et al (2016) Learning-Based Visual Saliency Model for Detecting Diabetic Macular Edema in Retinal Image. Comput Intell Neurosci 2016:7496735PubMedPubMedCentral

Titel: Künstliche Intelligenz zum Management von Makulaödemen
Chancen und Herausforderungen
verfasst von: PD Dr. med. habil. M. Treder
R. Diener
N. Eter
Publikationsdatum: 08.05.2020
Verlag: Springer Medizin
Schlagwörter: Makuladegeneration
Ödeme
Künstliche Intelligenz
Erschienen in: Die Ophthalmologie / Ausgabe 10/2020
Print ISSN: 2731-720X
Elektronische ISSN: 2731-7218
DOI: https://doi.org/10.1007/s00347-020-01110-9

Neu im Fachgebiet Augenheilkunde

08.04.2024 | Therapieverfahren in der Augenheilkunde | CME

Update Augenheilkunde

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

Newsletter bestellen

Live-Webinar: Aktuelle Leitlinien bei Herz-Kreislauf-Erkrankungen

Springer Medizin

Künstliche Intelligenz zum Management von Makulaödemen

Chancen und Herausforderungen

Zusammenfassung

Neu im Fachgebiet Augenheilkunde

Ophthalmika in der Schwangerschaft

Operative Therapie und Keimnachweis bei endogener Endophthalmitis

Bakterielle endogene Endophthalmitis

Bestmögliche Wundheilung der Kornea dank optimaler pharmakologischer Therapie

Update Augenheilkunde

Live-Webinar: Aktuelle Leitlinien bei Herz-Kreislauf-Erkrankungen

Springer Medizin

Zusammenfassung

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

Weitere Artikel der Ausgabe 10/2020

Kostenträgerrechnungen von strabologischen Operationen an einer Universitäts-Augenklinik

Netzhautsprechstunde im Jahr 2030

Behandlung der kongenitalen und frühkindlichen Katarakt

Therapieerfolg von Kanaloplastik und Trabekulektomie durch denselben Operateur mit demselben Erfahrungslevel im Langzeitverlauf

Künstliche Intelligenz in der Augenheilkunde

Erratum zu: Reversible Trifokalität durch das Duett-Verfahren

Neu im Fachgebiet Augenheilkunde

Ophthalmika in der Schwangerschaft

Operative Therapie und Keimnachweis bei endogener Endophthalmitis

Bakterielle endogene Endophthalmitis

Bestmögliche Wundheilung der Kornea dank optimaler pharmakologischer Therapie

Update Augenheilkunde