Klin Monbl Augenheilkd 2024; 241(06): 722-726
DOI: 10.1055/a-2290-5373
Übersicht

Künstliche Intelligenz bei lamellierenden Keratoplastiken

Article in several languages: deutsch | English
1   Augenärzte Kölner Höfe, Gemeinschaftspraxis Solingen, Deutschland
,
Takahiko Hayashi
2   Department of Visual Sciences, Nihon University School of Medicine, Graduate School of Medicine, Itabashi-ku, Japan
,
3   Zentrum für Augenheilkunde, Universitätsklinikum Köln, Deutschland
,
3   Zentrum für Augenheilkunde, Universitätsklinikum Köln, Deutschland
,
Johannes Stammen
1   Augenärzte Kölner Höfe, Gemeinschaftspraxis Solingen, Deutschland
,
Claus Cursiefen
3   Zentrum für Augenheilkunde, Universitätsklinikum Köln, Deutschland
› Author Affiliations

Zusammenfassung

Das Training von künstlicher Intelligenz (KI) wird auch in der Vorderabschnittschirurgie populärer. Zunehmend werden auch Studien zu lamellierenden Keratoplastiken veröffentlicht. Insbesondere die Möglichkeit der nicht invasiven und hochauflösenden Bildgebungstechnologie der optischen Kohärenztomografie prädestiniert die lamellierenden Keratoplastiken zur Anwendung von KI. Obwohl technisch einfach durchführbar, existieren bisher nur wenige Studien zum Einsatz von KI zur Optimierung lamellierender Keratoplastiken. Die vorhandenen Studien konzentrieren sich dabei vor allem auf die Vorhersagewahrscheinlichkeit eines Rebubblings bei DMEK und DSAEK bzw. auf deren Transplantatadhärenz sowie auf die Formation einer Big Bubble bei der DALK. Zudem ist die automatisierte Erfassung von Routineparametern wie Hornhautödem, Endothelzelldichte oder Größe der Transplantatablösung mittels KI inzwischen möglich. Die Optimierung der lamellierenden Keratoplastiken mittels KI birgt ein großes Potenzial. Dennoch bestehen Limitationen der veröffentlichten Algorithmen insofern, dass diese bisher nur eingeschränkt zwischen Zentren, Chirurgen sowie unterschiedlichen Geräteherstellern übertragbar sind.



Publication History

Received: 14 February 2024

Accepted: 17 March 2024

Accepted Manuscript online:
19 March 2024

Article published online:
28 June 2024

© 2024. Thieme. All rights reserved.

Georg Thieme Verlag KG
Rüdigerstraße 14, 70469 Stuttgart, Germany

 
  • References/Literatur

  • 1 Hüttmann G, Lankenau E, Schulz-Wackerbarth C. et al. [Optical coherence tomography: from retina imaging to intraoperative use – a review]. Klin Monbl Augenheilkd 2009; 226: 958-964
  • 2 Hayashi T, Händel A, Matthaei M, Cursiefen C, Siebelmann S. Die OCT des vorderen Augenabschnitts bei Hornhauttransplantationen. In: Heindl LM, Siebelmann S. Hrsg. Optische Kohärenztomographie des vorderen Augenabschnitts: Atlas. Berlin, Heidelberg: Springer; 2023: 165-191
  • 3 Melles GR. Posterior lamellar keratoplasty: DLEK to DSEK to DMEK. Cornea 2006; 25: 879-881
  • 4 Ashworth N, De Champlain AF, Kain N. A review of multi-source feedback focusing on psychometrics, pitfalls and some possible solutions. SN Social Sciences 2021; 1: 1-12
  • 5 Hayashi T, Masumoto H, Tabuchi H. et al. A deep learning approach for successful big-bubble formation prediction in deep anterior lamellar keratoplasty. Sci Rep 2021; 11: 18559
  • 6 Pan J, Liu W, Ge P. et al. Real-time segmentation and tracking of excised corneal contour by deep neural networks for DALK surgical navigation. Comput Methods Programs Biomed 2020; 197: 105679
  • 7 Muijzer M, Hoven C, Frank L. et al. A machine learning approach to explore predictors of graft detachment following posterior lamellar keratoplasty: a nationwide registry study. Sci Rep 2022; 12: 17705
  • 8 Siebelmann S, Kolb K, Scholz P. et al. The Cologne rebubbling study: a reappraisal of 624 rebubblings after Descemet membrane endothelial keratoplasty. Br J Ophthalmol 2021; 105: 1082-1086
  • 9 Patefield A, Meng Y, Airaldi M. et al. Deep Learning Using Preoperative AS-OCT Predicts Graft Detachment in DMEK. Transl Vis Sci Technol 2023; 12: 14
  • 10 Treder M, Lauermann JL, Alnawaiseh M. et al. Using deep learning in automated detection of graft detachment in Descemet membrane endothelial keratoplasty: a pilot study. Cornea 2019; 38: 157-161
  • 11 Hayashi T, Tabuchi H, Masumoto H. et al. A deep learning approach in rebubbling after Descemetʼs membrane endothelial keratoplasty. Eye Contact Lens 2020; 46: 121-126
  • 12 Hayashi T, Iliasian RM, Matthaei M. et al. Transferability of an artificial intelligence algorithm predicting rebubblings after descemet membrane endothelial keratoplasty. Cornea 2023; 42: 544-548
  • 13 Vigueras-Guillén JP, van Rooij J, Engel A. et al. Deep learning for assessing the corneal endothelium from specular microscopy images up to 1 year after ultrathin-DSAEK surgery. Transl Vis Sci Technol 2020; 9: 49
  • 14 Bitton K, Zéboulon P, Ghazal W. et al. Deep Learning Model for the Detection of Corneal Edema Before Descemet Membrane Endothelial Keratoplasty on Optical Coherence Tomography Images. Transl Vis Sci Technol 2022; 11: 19
  • 15 Heslinga FG, Alberti M, Pluim JP. et al. Quantifying graft detachment after Descemetʼs membrane endothelial keratoplasty with deep convolutional neural networks. Transl Vis Sci Technol 2020; 9: 48
  • 16 OʼBrien RC, Ishwaran H, Szczotka-Flynn LB. et al. Random survival forests analysis of intraoperative complications as predictors of Descemet stripping automated endothelial keratoplasty graft failure in the Cornea Preservation Time Study. JAMA Ophthalmol 2021; 139: 191-197
  • 17 Yousefi S, Takahashi H, Hayashi T. Predicting the likelihood of need for future keratoplasty intervention using artificial intelligence. Ocul Surf 2020; 18: 320-325