Subscribe to RSS
DOI: 10.1055/a-1298-8121
Künstliche Intelligenz, maschinelles Lernen und Intraokularlinsenberechnung
Article in several languages: English | deutsch![](https://www.thieme-connect.de/media/klimo/202012/lookinside/thumbnails/10-1055-a-1298-8121_kl2276_de-1.jpg)
Zusammenfassung
Hintergrund und Zielsetzung In den vergangenen Jahren wurden zunehmend Systeme der künstlichen Intelligenz in der Medizin etabliert, die Pathologien oder Erkrankungen erkennen und schwer zu erfassende Zusammenhänge zwischen Eingangsgrößen beschreiben sollen. Ziel der Studie ist es, anhand von biometrischen Messgrößen vor der Kataraktoperation die physikalische Position der Intraokularlinse nach der Operation mit Verfahren des maschinellen Lernens vorherzusagen.
Patienten und Methoden 249 Augen von Patienten, die sich zur elektiven Kataraktoperation an der Augenklinik Castrop-Rauxel vorstellten, wurden mit dem IOLMaster 700 (Carl Zeiss Meditec) und vor sowie nach der Operation mit dem Casia 2 (Tomey) untersucht. Aus den Effektgrößen Augenlänge, Hornhautdicke, interne Vorderkammertiefe, Linsendicke, mittlerer Hornhautradius und Hornhautdurchmesser wurde eine Auswahl von 17 Algorithmen des Maschinenlernens auf ihre Vorhersagequalität hin getestet für die Bestimmung der postoperativen internen Vorderkammertiefe (AQD_post) und der Lage des Linsenäquators relativ zum Hornhautscheitel (LEQ_post).
Ergebnisse Die 17 Modelle (4 Algorithmusfamilien) variierten im mittleren quadratischen/mittleren absoluten Vorhersagefehler zwischen 0,187/0,139 mm und 0,255/0,204 mm (AQD_post) und 0,183/0,135 mm und 0,253/0,206 mm (LEQ_post) bei einer Kreuzvalidierung (5-fold cross validation). Der Algorithmus mit der besten Performance war bei beiden Vorhersagen ein Gaussian Process Regression Model mit einem exponentiellen Kernel. Prüft man am gesamten Datensatz (ohne Aufteilung in Trainings- und Validierungsdaten) ein einfaches multiples lineares Regressionsmodell gegen den Algorithmus mit der besten Performance, so ergibt sich bei der Vorhersage von AQD_post/LEQ_post ein mittlerer quadratischer Vorhersagefehler von 0,188/0,187 mm gegenüber dem Gaussian Process Regression Model mit 0,166/0,159 mm.
Schlussfolgerungen In der Arbeit soll das Prinzip des überwachten Maschinenlernens in der Anwendung auf die Nachbildung der physikalisch gemessenen postoperativen axialen Position von Intraokularlinsen gezeigt werden. Bei den vorliegenden Daten ist der Gewinn durch die Verwendung von Algorithmen des maschinellen Lernens (bei den hier verwendeten Algorithmen) gegenüber einem multiplen linearen Regressionsansatz gering.
Publication History
Received: 11 September 2020
Accepted: 26 October 2020
Article published online:
23 November 2020
© 2020. Thieme. All rights reserved.
Georg Thieme Verlag KG
Rüdigerstraße 14, 70469 Stuttgart, Germany
-
References/Literatur
- 1 Abu Alfeilat HA, Hassanat ABA, Lasassmeh O. et al. Effects of distance measure choice on K-nearest neighbour classifier performance: A review. Big Data 2019; 14 (07) 221-248
- 2 Bechtel S. Maschinelles Lernen in der Medizin – Anwendung von Support Vector Machines in der Ganganalyse [Diplomarbeit]. Saarbrücken: Fachbereich Mathematik, Universität des Saarlandes; 2008
- 3 Carmona González D, Palomino Bautista C. Accuracy of a new intraocular lenspower calculation method based on artificial intelligence. Eye (Lond) 2020; DOI: 10.1038/s41433-020-0883-3.
- 4 Cheng H, Kane JX, Liu L. et al. Refractive predictability using the IOLMaster 700 and artificial intelligence-based IOL power formulas compared to standard formulas. J Refract Surg 2020; 36: 466-472
- 5 Clarke GP, Burmeister J. Comparison of intraocular lens computations using a neural network versus the Holladay formula. J Cataract Refract Surg 1997; 23: 1585-1589
- 6 Herrmann J. Maschinelles Lernen und Wissensbasierte Systeme. Heidelberg: Springer; 1997
- 7 Kleesiek J, Murray JM, Kaissis G, Braren R. Künstliche Intelligenz und maschinelles Lernen in der onkologischen Bildgebung. Onkologe 2020; 26: 60-65
- 8 Langenbucher A, Häfner L, Eppig T. et al. Keratokonusdetektion und Ableitung des Ausprägungsgrades aus den Parametern des Corvis ST – Eine Studie basierend auf Algorithmen des Maschinenlernens. Ophthalmologe 2020; DOI: 10.1007/s00347-020-01231-1.
- 9 Olsen T, Hoffmann PC. C constant: New concept for ray tracing-assisted intraocular lens power calculation. J Cataract Refract Surg 2014; 40: 764-773
- 10 Preußner PR, Olsen T, Hoffmann PC. et al. Intraocular lens calculation accuracy limits in normal eyes. J Cataract Refract Surg 2008; 34: 802-808
- 11 Rüping S, Sander J. Big Data im Gesundheitswesen. In: Haring R. Hrsg. Gesundheit digital: Perspektiven zur Digitalisierung im Gesundheitswesen. Heidelberg: Springer; 2019: 1-31
- 12 Sramka M, Slovak M, Tuckova J. et al. Improving clinical refractive results of cataract surgery by machine learning. PeerJ 2019; 7: e7202 doi:10.7717/peerj.7202
- 13 Szalai E, Toth N, Kolkedi Z. et al. Comparison of various intraocular lens formulas using a new high-resolution swept-source optical coherence tomographer. J Cataract Refract Surg 2020; 46: 1138-1141 doi:10.1097/j.jcrs.0000000000000329
- 14 Welsch A, Eitle V, Buxmann P. Maschinelles Lernen. HMD 2018; 55: 366-382 doi:10.1365/s40702-018-0404-z
- 15 Xia T, Martinez CE, Tsai LM. Update on intraocular lens formulas and calculations. Asia Pac J Ophthalmol (Phila) 2020; 9: 186-193 doi:10.1097/APO.0000000000000293
- 16 Xin C, Bian GB, Zhang H, Liu W, Dong Z. Optical coherence tomography-based deep learning algorithm for quantification of the location of the intraocular lens. Ann Transl Med 2020; 8: 872
- 17 Scholtz S, Cayless A, Langenbucher A. Calculating the human Eye, Basics on Biometry. In: Liu C, Shalaby Bardan A. eds. Cataract Surgery. Berlin: Springer; 2020