Abstract

Hintergrund und ZielsetzungIn den vergangenen Jahren wurden zunehmend Systeme der künstlichen Intelligenz in der Medizin etabliert, die Pathologien oder Erkrankungen erkennen oder von komplementären Erkrankungen abgrenzen. Bisher liefert das Corvis®ST (Corneal Visualization Scheimpflug Technology, Oculus, Wetzlar, Deutschland) einen Index-CBI, der quasi binär Keratokonus klassifiziert, aber kein Staging zulässt. Ziel der Studie ist es, anhand von Messgrößen des Corvis®ST ein Vorhersagemodell zu entwerfen, das den Topographic Keratoconus Classification Index (TKC) der Pentacam high resolution (HR, Oculus) nachbildet.Patienten und MethodenEs wurden 60 Messungen an Normalprobanden (TKC 0) und 379 Augen mit Keratokonus (TKC 1 bis 4) in die Studie mit einbezogen. Nach der Messung mit der Pentacam HR (Zielgröße TKC) wurde eine Untersuchung mit dem Corvis®ST durchgeführt, aus der 6 Messparameter extrahiert wurden, die in den Corvis Biomechanical Index CBI eingehen (ARTh, SP-A1, DA-Ratio 1 mm, DA-Ratio 2 mm, A1 velocity, max. Deformation Amplitude). Neben dem TKC als Zielgröße wurde der binarisierte TKC (1: TKC 1 bis 4, 0: TKC 0) modelliert. Als Gütemaß wurde die Genauigkeit des Modells als Anteil der korrekten Klassifizierungen herangezogen. Fehlklassifizierungen wurden in der Modellierung so bestraft, dass die Abweichung des modellierten TKC-Wertes vom gemessenen Wert bewertet wurde.ErgebnisseEs wurden 24 verschiedene Modelle des überwachten maschinellen Lernens aus 6 Familien getestet. Für die Modellierung des TKC in Stufen von 0–4 zeigte das Modell, basierend auf einer Support Vector Machine (SVM) mit linearem Kernel, die beste Performance mit einem Anteil an richtigen Klassifizierungen von 65,1 %. Für den binarisierten Wert des TKC zeigte ein Decision Tree mit grober Auflösung die beste Performance mit einem Anteil an richtigen Klassifizierungen von 95,2 %, direkt gefolgt von der SVM mit linearem oder quadratischem Kernel und dem Nearest Neighborhood Classifier mit kubischem Kernel (jeweils 94,5 %).SchlussfolgerungenIn der Arbeit soll das Prinzip des überwachten Maschinenlernens in der Anwendung auf die modellierte Klassifizierung von Messbefunden gezeigt werden. So wurden Messdaten des Corvis®ST dazu verwendet, die Einteilung in den Schweregrad eines Keratokonus mittels Pentacam (TKC) mit einer ganzen Reihe von Algorithmen des maschinellen Lernens nachzubilden.

Highlights

  • Background and objectiveIn the last decades increasingly more systems of artificial intelligence have been established in medicine, which identify diseases or pathologies or discriminate them from complimentary® diseases

  • ® parameters extracted from the Corvis ST

  • From this device 6 dynamic response parameters were extracted, which were included in the Corvis biomechanical index (CBI) provided by the

Read more

Summary

Keratokonusdetektion und Ableitung des Ausprägungsgrades aus den Parametern des

Künstliche Intelligenz hat in den vergangenen Jahren in viele Disziplinen der Medizin, aber auch z. Neben den überwachten Ansätzen des Maschinenlernens gibt es die Option des nicht überwachten Lernens, bei dem kein Expertenwissen in Form eines „Labeling“ von Datensätzen eingebracht wird, sondern der Algorithmus selbstständig versucht, Muster und Strukturen zu erkennen und Datensätze zu gruppieren Beim überwachten Lernen ist neben der großen Anzahl an Datensätzen für den Lernprozess von elementarer Bedeutung, dass die Klassifizierung durch einen Experten (das „Labeling“) sehr sorgfältig durchgeführt wird. Random Subsampling“ wird in mehreren Durchläufen jeweils eine zufällige Stichprobe als Validierungsdatensatz abgetrennt und am verbleibenden Datensatz trainiert, hier besteht allerdings die Gefahr, dass einzelne Daten bei der Stichprobenziehung in keinem der Durchläufe für das Training oder die Validierung herangezogen werden. ® Corvis ST, basierend auf Strategien des überwachten Lernens, ein klassifizierender Algorithmus definiert werden kann, mit dem eine binäre Entscheidung für das Vorliegen eines Keratokonus oder eine Klassifikation des Keratokonus möglich ist. Das „Labeling“ der Datensätze durch einen Experten soll dabei durch das Ergebnis des „Topographic Keratoconus Classification Index“ (TKC) der Pentacam ersetzt werden

Patienten und Methoden
Die Kombination der Messdaten beider
Patients and methods
Mit dem Maschinenlernalgorithmus vorhergesagter Wert des TKC
Discriminance Analysis Linear
Nearest Neighborhood Kubisch
Corvis Biomechanical Index CBI
Einhaltung ethischer Richtlinien
Findings
Literatur
Full Text
Published version (Free)

Talk to us

Join us for a 30 min session where you can share your feedback and ask us any queries you have

Schedule a call