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.
Schlüsselwörter Hornhauttransplantation - Deep Learning - Endothel - Hornhautbank - vollautomatisiert
