Qualitätskontrolle in der Hornhautbank mit künstlicher Intelligenz: Vergleich eines neuen Deep-Learning-basierten Ansatzes mit der konventionellen Endothelzelldichtenbestimmung durch das „Rhine-Tec Endothelial Analysis System“

Zusammenfassung

Die Endothelzelldichte ist ein objektiver Parameter für die Freigabe von Hornhauttransplantaten zur Operation. In der Lions Hornhautbank Baden-Württemberg wird für diese Quantifizierung das „Rhine-Tec Endothelial Analysis System“ verwendet, das auf der Methode des festen Zählrahmens basiert und nur eine kleine Stichprobe von 15 bis 40 Endothelzellen berücksichtigt. Das Messergebnis hängt daher von der Platzierung des Zählrahmens und der manuellen Nachkorrektur der im Zählrahmen gewerteten Zellen ab. Um den Stichprobenumfang zu erhöhen und eine höhere Objektivität zu schaffen, haben wir auf Grundlage von „Deep Learning“ eine neue Methode entwickelt, die alle sichtbaren Endothelzellen im Bild vollautomatisch erkennt. Ziel dieser Studie ist der Vergleich dieser neuen Methode mit dem konventionellen Rhine-Tec-System. 9375 archivierte phasenkontrastmikroskopische Bildaufnahmen von konsekutiven Transplantaten aus der Lions Hornhautbank wurden mit der Deep-Learning-Methode evaluiert und mit den korrespondierenden archivierten Analysen des Rhine-Tec-Systems verglichen. Zum Vergleich der Mittelwerte wurden Bland-Altman- und Korrelationsanalysen durchgeführt. Es ergaben sich vergleichbare Ergebnisse beider Methoden. Die mittlere Differenz zwischen Rhine-Tec-System und der Deep-Learning-Methode betrug lediglich − 23 Zellen/mm² (95%-Konfidenzintervall: − 29 – − 17). Es zeigte sich eine statistisch signifikant positive Korrelation zwischen den beiden Methoden mit 0,748. Auffällig in der Bland-Altman-Analyse waren gehäufte Abweichungen im Zelldichtenbereich zwischen 2000 und 2500 Zellen/mm² mit höheren Werten beim Rhine-Tec-System. Die vergleichbaren Ergebnisse bez. der Zelldichtenmesswerte unterstreichen die Wertigkeit des Deep-Learning-basierten Verfahrens. Die Abweichungen im Bereich der formalen Schwelle für eine Transplantatfreigabe von 2000 Zellen/mm² sind sehr wahrscheinlich durch die höhere Objektivität der Deep-Learning-Methode erklärbar und der Tatsache geschuldet, dass Messrahmen und manuelle Nachkorrektur unter Berücksichtigung des Gesamtbildes aus der Endothelbewertung jeweils gezielt ausgewählt worden waren. Diese vollständige Sichtung des Transplantatendothels und Qualitätsbeurteilung kann aktuell noch nicht durch das Deep-Learning-System ersetzt werden und ist somit weiterhin die wichtigste Grundlage der Transplantatfreigabe zur Keratoplastik.

Fazitbox

Bereits bekannt:

• Die Bestimmung der Endothelzelldichte ist entscheidend für die Qualitätskontrolle von Hornhauttransplantaten.

• Aktuell wird hierfür häufig das halbautomatische Rhine-Tec-System eingesetzt.

• Dieses basiert auf einem festen Zählrahmen mit nur 15 – 40 Zellen.

Neu beschrieben:

• Es wurde eine vollautomatische Deep-Learning-Methode zur Endothelzelldichtemessung entwickelt.

• Die Studie zeigt eine gute Korrelation dieser Methode mit dem Rhine-Tec-System.

• Die neue Methode könnte objektiver sein, ersetzt aber nicht die ärztliche Gesamtbeurteilung.

Conclusion Box

Already known:

• Measuring endothelial cell density plays a key role in quality control at cornea banks

• The semi-automatic Rhine-Tec system is currently often used for the purpose

• This method uses a fixed-frame system that only includes fifteen to forty cells

New:

• A fully automated deep learning method for measuring endothelial cell density has been developed

• The study shows a high correlation between this method and the Rhine-Tec system

• The novel method could be more objective, but does not replace overall assessment by a physician

Schlüsselwörter

Hornhauttransplantation - Deep Learning - Endothel - Hornhautbank - vollautomatisiert

Publication History

Received: 29 November 2023

Accepted: 01 April 2024

Accepted Manuscript online:
04 April 2024

Article published online:
28 June 2024

• References/Literatur

• 1 Nishimura JK, Hodge DO, Bourne WM. Initial endothelial cell density and chronic endothelial cell loss rate in corneal transplants with late endothelial failure. Ophthalmology 1999; 106: 1962-1965
• 2 Armitage WJ, Dick AD, Bourne WM. Predicting endothelial cell loss and long-term corneal graft survival. Invest Ophthalmol Vis Sci 2003; 44: 3326-3331
• 3 Laule A, Cable MK, Hoffman CE. et al. Endothelial cell population changes of human cornea during life. Arch Ophthalmol 1978; 96: 2031-2035
• 4 Al-Fahdawi S, Qahwaji R, Al-Waisy AS. et al. A fully automated cell segmentation and morphometric parameter system for quantifying corneal endothelial cell morphology. Comput Methods Programs Biomed 2018; 160: 11-23
• 5 Selig B, Vermeer KA, Rieger B. et al. Fully automatic evaluation of the corneal endothelium from in vivo confocal microscopy. BMC Med Imaging 2015; 15: 13
• 6 Gavet Y, Pinoli JC. Comparison and supervised learning of segmentation methods dedicated to specular microscope images of corneal endothelium. Int J Biomed Imaging 2014; 2014: 704791
• 7 Reinhard T, Spelsberg H, Holzwarth D. et al. Wissensbasierte Bildanalyse des Endothels von Hornhauttransplantaten. Klin Monbl Augenheilkd 1999; 214: 407-411
• 8 Deb-Joardar N, Thuret G, Gavet Y. et al. Reproducibility of endothelial assessment during corneal organ culture: comparison of a computer-assisted analyzer with manual methods. Invest Ophthalmol Vis Sci 2007; 48: 2062-2067
• 9 Hirneiss C, Schumann RG, Grüterich M. et al. Endothelial cell density in donor corneas: a comparison of automatic software programs with manual counting. Cornea 2007; 26: 80-83
• 10 Abib FC, Holzchuh R, Schaefer A. et al. The endothelial sample size analysis in corneal specular microscopy clinical examinations. Cornea 2012; 31: 546-550
• 11 Fabijańska A. Segmentation of corneal endothelium images using a U-Net-based convolutional neural network. Artif Intell Med 2018; 88: 1-13
• 12 Daniel MC, Atzrodt L, Bucher F. et al. Automated segmentation of the corneal endothelium in a large set of ‘real-world’ specular microscopy images using the U-Net architecture. Sci Rep 2019; 9: 4752
• 13 Heinzelmann S, Daniel MC, Maier PC. et al. Automatisierte Zellzählung in Spenderhornhäuten aus Organkultur mittels „Deep Learning“ erreicht hohe Präzision und Genauigkeit. Klin Monbl Augenheilkd 2019; 236: 1407-1412
• 14 Ronneberger O, Fischer P, Brox T. UNet: Convolutional Networks for biomedical Image Segmentation. In: Navab N, Hornegger J, Wells WM, Frangi AF. eds. Medical Image Computing and Computer-assisted Intervention – MICCAI 2015. Cham: Springer International Publishing; 2015: 234-241
• 15 Akeret J, Chang C, Lucchi A. et al. Radio frequency interference mitigation using deep convolutional neural networks. Astron Comput 2017; 18: 35-39
• 16 Schroeter J, Rieck P. Endothelial evaluation in the cornea bank. Dev Ophthalmol 2009; 43: 47-62
• 17 Schroeter J, Maier P, Bednarz J. et al. Arbeitsrichtlinien. Gute Fachliche Praxis für Hornhautbanken. Ophthalmologe 2009; 106: 265-274 276
• 18 Amann J, Holley GP, Lee SB. et al. Increased endothelial cell density in the paracentral and peripheral regions of the human cornea. Am J Ophthalmol 2003; 135: 584-590