nach oben

Erschienen in:

24.02.2020 | Diabetische Retinopathie | Leitthema

Potenzial von Methoden der künstlichen Intelligenz für die Qualitätssicherung

verfasst von: Philipp Berens, Sebastian M. Waldstein, Murat Seckin Ayhan, Louis Kümmerle, Hansjürgen Agostini, Andreas Stahl, Focke Ziemssen

Erschienen in: Die Ophthalmologie | Ausgabe 4/2020

Einloggen, um Zugang zu erhalten

Zusammenfassung

Hintergrund

Verfahren der künstlichen Intelligenz (KI) wie künstliche neuronale Netzwerke zeigen vielversprechende Ergebnisse im Bereich der automatisierten Analyse ophthalmologischer Bilddaten.

Fragestellung

Der vorliegende Beitrag diskutiert, inwiefern die Diskussion und Anwendung von KI-Algorithmen auch zur Qualitätssicherung im Bereich der Augenheilkunde beitragen kann.

Material und Methode

Relevante Literaturbeiträge werden zusammenfassend diskutiert.

Ergebnisse

Systeme, basierend auf künstlichen neuronalen Netzen, erzielen sehr gute Ergebnisse in der Diagnostik von Augenerkrankungen, indem beispielsweise OCT(optische Kohärenztomographie)-Bilder sehr gut segmentiert und Läsionsbestandteile detektiert werden können. Zum Trainieren dieser Netzwerke werden große Datensätze genutzt. Qualität und Verfügbarkeit dieser Datensätze bestimmen die kontinuierliche Verbesserung der Algorithmen. Der Vergleich zwischen KI-Algorithmen und der ärztlichen Bildinterpretation hat auch Einblicke in die diagnostische Übereinstimmung zwischen ÄrztInnen erlaubt. Aktuelle Herausforderungen liegen in der Entwicklung von Verfahren zur Modellierung der Unsicherheit und besseren Nachvollziehbarkeit automatisierter diagnostischer Entscheidungen.

Schlussfolgerungen

KI-Systeme könnten zeitnah als Systeme zur Entscheidungsunterstützung zum Einsatz kommen. Dadurch können sie zur effizienteren Qualitätssicherung beitragen.

Esteva A, Robicquet A, Ramsundar B et al (2019) A guide to deep learning in healthcare. Nat Med 25(1):24. https://doi.org/10.1038/s41591-018-0316-z CrossRefPubMed

Topol EJ (2019) High-performance medicine: the convergence of human and artificial intelligence. Nat Med 25(1):44. https://doi.org/10.1038/s41591-018-0300-7 CrossRefPubMed

Arcadu F, Benmansour F, Maunz A, Willis J, Haskova Z, Prunotto M (2019) Deep learning algorithm predicts diabetic retinopathy progression in individual patients. Npj Digit Med 2(1):1–9. https://doi.org/10.1038/s41746-019-0172-3 CrossRef

Bogunović H, Venhuizen F, Klimscha S et al (2019) RETOUCH: the retinal OCT fluid detection and segmentation benchmark and challenge. IEEE Trans Med Imaging 38(8):1858–1874. https://doi.org/10.1109/TMI.2019.2901398 CrossRefPubMed

Chakravarthy U, Goldenberg D, Young G et al (2016) Automated identification of lesion activity in neovascular age-related macular degeneration. Ophthalmology 123(8):1731–1736. https://doi.org/10.1016/j.ophtha.2016.04.005 CrossRefPubMed

Poplin R, Varadarajan AV, Blumer K et al (2018) Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nat Biomed Eng 2(3):158–164. https://doi.org/10.1038/s41551-018-0195-0 CrossRefPubMed

Fauw JD, Ledsam JR, Romera-Paredes B et al (2018) Clinically applicable deep learning for diagnosis and referral in retinal disease. Nat Med 24(9):1342. https://doi.org/10.1038/s41591-018-0107-6 CrossRefPubMed

Gulshan V, Peng L, Coram M et al (2016) Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA 316(22):2402–2410. https://doi.org/10.1001/jama.2016.17216 CrossRefPubMed

Schlegl T, Waldstein SM, Bogunovic H et al (2018) Fully automated detection and quantification of macular fluid in OCT using deep learning. Ophthalmology 125(4):549–558. https://doi.org/10.1016/j.ophtha.2017.10.031 CrossRefPubMed

10.

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(1):24–30. https://doi.org/10.1016/j.oret.2017.03.015 CrossRef

11.

Kalet AM, Luk SMH, Phillips MH (2019) Quality assurance tasks and tools: the many roles of machine learning. Med Phys. https://doi.org/10.1002/mp.13445 CrossRefPubMed

12.

Grote T, Berens P (2019) On the ethics of algorithmic decision making in healthcare. J Med Ethics. https://doi.org/10.1136/medethics-2019-105586 CrossRefPubMedPubMedCentral

13.

Ayhan MS, Kuehlewein L, Aliyeva G, Inhoffen W, Ziemssen F, Berens P (2019) Expert-validated estimation of diagnostic uncertainty for deep neural networks in diabetic retinopathy detection. medRxiv. https://www.medrxiv.org/content/10.1101/19002154v1. Zugegriffen: 18. Feb. 2020

14.

Hein M, Andriushchenko M, Bitterwolf J (2019) Why ReLU Networks Yield High-Confidence Predictions Far Away From the Training Data and How to Mitigate the Problem. http://openaccess.thecvf.com/content_CVPR_2019/html/Hein_Why_ReLU_Networks_Yield_High-Confidence_Predictions_Far_Away_From_the_CVPR_2019_paper.html. Zugegriffen: 31. Okt. 2019 (41–50)

15.

Leibig C, Allken V, Ayhan MS, Berens P, Wahl S (2017) Leveraging uncertainty information from deep neural networks for disease detection. Sci Rep 7(1):1–14. https://doi.org/10.1038/s41598-017-17876-z CrossRef

16.

Sayres R, Taly A, Rahimy E et al (2019) Using a deep learning algorithm and integrated gradients explanation to assist grading for diabetic retinopathy. Ophthalmology 126(4):552–564. https://doi.org/10.1016/j.ophtha.2018.11.016 CrossRefPubMed

17.

Kurmann T, Yu S, Márquez-Neila P et al (2019) Expert-level automated biomarker identification in optical coherence tomography scans. Sci Rep 9(1):1–9. https://doi.org/10.1038/s41598-019-49740-7 CrossRef

18.

Schmidt-Erfurth U, Sadeghipour A, Gerendas BS, Waldstein SM, Bogunović H (2018) Artificial intelligence in retina. Prog Retin Eye Res 67:1–29. https://doi.org/10.1016/j.preteyeres.2018.07.004 CrossRefPubMed

19.

Krause J, Gulshan V, Rahimy E et al (2018) Grader variability and the importance of reference standards for evaluating machine learning models for diabetic retinopathy. Ophthalmology 125(8):1264–1272. https://doi.org/10.1016/j.ophtha.2018.01.034 CrossRefPubMed

20.

Artificial Intelligence LAJ, Medical Decisions B‑B (2019) Accuracy versus explainability. Hastings Cent Rep 49(1):15–21. https://doi.org/10.1002/hast.973 CrossRef

21.

Berens P, Ayhan MS (2019) Proprietary data formats block health research. Nature 565:429–429. https://doi.org/10.1038/d41586-019-00231-9 CrossRefPubMed

22.

Lee K, Buitendijk GHS, Bogunovic H et al (2016) Automated segmentability index for layer segmentation of macular SD-OCT images. Transl Vis Sci Technol 5(2):14. https://doi.org/10.1167/tvst.5.2.14 CrossRefPubMedPubMedCentral

23.

Costa P, Campilho A, Hooi B et al (2017) Eyequal: accurate, explainable, retinal image quality assessment. In: 2017 16th IEEE International Conference on Machine Learning and Applications (ICMLA), Cancun, 18-21 Dec 2017. Bd. 2017. IEEE, S 323–330 https://doi.org/10.1109/ICMLA.2017.0-140

24.

Kern C, Fu DJ, Huemer J et al (2019) An open-source dataset of anti-vegf therapy in diabetic macular oedema patients over four years & their visual outcomes. medRxiv. https://www.medrxiv.org/content/10.1101/19009332v2. Zugegriffen: 18. Feb. 2020

25.

Obermeyer Z, Powers B, Vogeli C, Mullainathan S (2019) Dissecting racial bias in an algorithm used to manage the health of populations. Science 366(6464):447–453. https://doi.org/10.1126/science.aax2342 CrossRefPubMed

26.

Barikian A, Haddock LJ (2018) Smartphone assisted fundus fundoscopy/photography. Curr Ophthalmol Rep 6(1):46–52. https://doi.org/10.1007/s40135-018-0162-7 CrossRef

Titel: Potenzial von Methoden der künstlichen Intelligenz für die Qualitätssicherung
verfasst von: Philipp Berens
Sebastian M. Waldstein
Murat Seckin Ayhan
Louis Kümmerle
Hansjürgen Agostini
Andreas Stahl
Focke Ziemssen
Publikationsdatum: 24.02.2020
Verlag: Springer Medizin
Schlagwörter: Diabetische Retinopathie
Diabetische Retinopathie
Künstliche Intelligenz
Erschienen in: Die Ophthalmologie / Ausgabe 4/2020
Print ISSN: 2731-720X
Elektronische ISSN: 2731-7218
DOI: https://doi.org/10.1007/s00347-020-01063-z

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

Springer Medizin

Potenzial von Methoden der künstlichen Intelligenz für die Qualitätssicherung

Zusammenfassung

Hintergrund

Fragestellung

Material und Methode

Ergebnisse

Schlussfolgerungen

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

Schlussfolgerungen

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

Weitere Artikel der Ausgabe 4/2020

Ergebnisse der Pterygiumchirurgie nach verschiedenen Operationstechniken – Ist die Exzision mit einfachem Bindehautverschluss noch lege artis?

Peripapilläre Aufhellung bei hoher Myopie: nur ein Staphyloma posticum?

Retinoblastom

Zentralvenenverschluss bei Wyburn-Mason-Syndrom

Ein Schutz gegen die Tröpfcheninfektion an der Spaltlampe. Sicherheit für die Augenärzte UND die Patienten

Gelebte Qualitätssicherung im IVOM-Strukturvertrag der AOK‑BW

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