key: cord-0016831-fjx3eexx authors: Diener, R.; Treder, M.; Eter, N. title: Diagnostik von Erkrankungen des Sehnervenkopfes in Zeiten von künstlicher Intelligenz und Big Data date: 2021-04-22 journal: Ophthalmologe DOI: 10.1007/s00347-021-01385-6 sha: a8d8c94310e23444d721d5a51d0c7f4cd374e1f1 doc_id: 16831 cord_uid: fjx3eexx BACKGROUND: The use of artificial intelligence (AI) interesting for automated image segmentation, analysis and classification, among others and has already been described for various fields of ophthalmology. OBJECTIVE: This manuscript provides an overview of current approaches and advances in the application of big data and AI in various diseases of the optic nerve head. MATERIAL AND METHODS: A PubMed search was performed. Studies were searched for that answered clinical questions using big data approaches or classical machine learning methods in the analysis of multimodal imaging of the optic nerve head. RESULTS: Big data can help to answer clinical questions in common diseases such as glaucoma. The AI is applied for the segmentation of multimodal imaging of the optic nerve head as well as for the classification of diseases, such as glaucoma or optic disc edema on this imaging data. CONCLUSION: With the help of big data and AI, relationships can be recognized more easily and the diagnostics and course assessment of diseases of the optic nerve head can be facilitated or automated. A prerequisite for clinical application is a CE marking as a medical device in Europe and approval by the Food and Drug Administration in the USA. "Big Data" beschreibt die Analyse von großen Datenmengen. Diese ermöglicht die kostengünstige und ressourcensparende Beantwortung verschiedener klinischer Fragestellungen, um so auch übergeordnete Zusammenhänge aufzeigen zu können [1] . So konnten beispielsweise eine Assoziation zwischen minimierter Sonnenstrahlenexposition und erhöhter Inzidenz eines primären Offenwinkelglaukoms, sowie ein erhöhtes Risiko einer Glaukomerkrankung bei Patienten mit Diabetes mellitus oder vorbestehender arterieller Hypertonie identifiziert werden [2] [3] [4] . Basis für diese Auswertungen sind große, strukturierte und digitale Datensammlungen. Dies hat im Bereich der Augenheilkunde dazu geführt, dass verschiedene Register gegründet wurden. Besonders nennenswert sind in diesem Zusammenhang das "Save-Sight"-Register in Australien, das "IRIS"-Register in den USA und das "OREGIS"-Register unter Schirmherrschaft der Deutschen Ophthalmologischen Gesellschaft (DOG) in Deutschland [5] [6] [7] . Unterstützt wird diese Entwicklung durch eine zunehmende elektronische Dokumentation der Patientenvisiten [8] [9] [10] [11] [12] . Gerade in Zeiten einer Pandemie kann sich dies als hilfreich erweisen. Bommakanti Im Gegensatz dazu sind Bildsegmentierungsalgorithmen wie der von Devalla et al. universell bei allen Erkrankungen des Sehnervenkopfes anwendbar, da sie nicht speziell auf die automatische Identifikation einer bestimmten Erkrankung, sondern allein auf eine optimierte Segmentierung einer Bildgebungsmodalität trainiert sind. Die genannte Arbeitsgruppe konnte mithilfe eines mehrschichtigen neuronalen Netzwerkes die RNFL, das prälaminare Gewebe, das retinale Pigmentepithel, die Aderhaut, die Lamina cribrosa und die peripapilläre Sklera automatisiert zuordnen und markieren [23] . Die automatische Segmentierung konnte robust sowohl in gesunden als auch in für Segmentierungsfehler anfälligen glaukomatös veränderten Sehnervenköpfen durchgeführt werden [24] . In einem weiteren Ansatz konnte die gleiche Arbeitsgruppe einen DL-Algorithmus entwickeln, der die Qualität von OCT-B-Scans unterschiedlicher Geräte so harmonisierte, dass in einem weiteren Schritt eine geräteunspezifische Segmentierung der Strukturen möglich war [25] . Dies macht eine einfache Implementierung der Segmentierung von OCT-Scans im klinischen Alltag auf unterschiedlichen Geräten möglich und erleichtert die Diagnostik und Verlaufsbe- Maschinelles Lernen · Fundusfotos · Glaukom · Optische Kohärenztomographie · Deep Learning Background. The use of artificial intelligence (AI) interesting for automated image segmentation, analysis and classification, among others and has already been described for various fields of ophthalmology. Objective. This manuscript provides an overview of current approaches and advances in the application of big data and AI in various diseases of the optic nerve head. Material and methods. A PubMed search was performed. Studies were searched for that answered clinical questions using big data approaches or classical machine learning methods in the analysis of multimodal imaging of the optic nerve head. Results. Big data can help to answer clinical questions in common diseases such as glaucoma. The AI is applied for the segmentation of multimodal imaging of the optic nerve head as well as for the classification of diseases, such as glaucoma or optic disc edema on this imaging data. Conclusion. With the help of big data and AI, relationships can be recognized more easily and the diagnostics and course assessment of diseases of the optic nerve head can be facilitated or automated. A prerequisite for clinical application is a CE marking as a medical device in Europe and approval by the Food and Drug Administration in the USA. Machine learning · Fundus photography · Glaucoma · Optical coherence tomography · Deep learning urteilung von Erkrankungen des Sehnervenkopfes wie dem Glaukom. [31] . Die gleiche Arbeitsgruppe konnte ähnlich vielversprechende Ergebnisse mit der Vorhersage der mittleren BMO-MRW allein auf Fundusfotos erzielen [32] . Neben der Quantifizierung von RNFL und BMO-MRW auf Farbfundusfotos könnten andere KI-Ansätze zu einem tieferen Verständnis der Auswirkung von strukturellen Veränderungen des Sehnerven auf seine Funktion führen. Christopher et al. konnten mithilfe eines DL-Modells Gesichtsfelddefekte nur anhand von OCT-Scans des Sehnervenkopfes vorhersagen [33] . Dieser Ansatz könnte im klinischen Alltag helfen, die HäufigkeitderzeitaufwendigenGesichtsfelduntersuchung bei Glaukompatienten effektiver zu gestalten und gezielter anzuwenden. Mariottoni et al. konnten eine KI-basierte Zuordnung von strukturellen OCT-RNFL-Schäden zu Gesichtsfelddefekten bei einem Glaukom entwickeln. Dies ermöglicht ein tieferes Verständnis des Zusammenhanges von Struktur und Funktion und kann im klinischen Alltag bei der Beurteilung von RNFL-Defekten helfen [34] . Eine der größten Herausforderungen bei der Anwendung von KI ist es, robuste Ansätze auch für Erkrankungen mit geringer Inzidenz zu entwickeln. Teilweise ist bei diesen eine ausreichend große Anzahl an Patienten nur mit Datenbanken oder großen multizentrischen Studien zu erzielen. Trotzdem kann gerade die Abgrenzung einer Erkrankung mit hoher Inzidenz wie dem Glaukom zu anderen selteneren Sehnervenerkrankungen schwierig und zugleich klinisch hochrelevant sein. Dieser Fragestellung widmeten sich Yang et al. und konnten mit einem DL-Modell zwischen glaukomatöserund nichtglaukomatöserOptikusneuropathie auf 3815 Farbfundusfotos mit einer Sensitivität von 93 % und einer Spezifität von 81 % unterscheiden [35] . Erkrankungen mit niedriger Inzidenz zu generieren ist eine Herausforderung Vergleichsweise einfach ist für einen erfahrenen Augenarzt die Detektion einer Stauungspapille. Die direkte Ophthalmoskopie wird aber nur noch vereinzelt von Internisten oder Neurologen beherrscht. Jedoch zeigt sich bei 2,6 % aller Patienten mit neurologischen Symptomen eine Stauungspapille (STP), die Hinweis auf einen erhöhten Hirndruck sein kann [36] . Wird diese übersehen und bleibt eine intrakranielle Hypertension unbehandelt, kann dies zu einem irreversiblen Nervenfaserdefekt mit konsekutiver Funktionsminderung führen. Aus diesem Grund wird in verschiedenen Kliniken und Notaufnahmen mithilfe der digitalen Fundusfotografie ein Bild des Sehnervenkopfes erstellt [37] . Dieses Bild wiederum muss durch einen Augenarzt vor Ort oder per Telemedizin in einem anderen Zentrum beurteilt werden [37] . Die strukturierte Sammlung und Auswertung von Daten mithilfe von Big-Data-Analysen sowie die Verwendung maschinellen Lernens auf digitalisierten Daten hat zu einer Vielzahl an interessanten Anwendungen geführt. Mit diesen können Zusammenhänge besser erkannt und die Diagnostik und Verlaufsbeurteilung von Erkrankungen des Sehnervenkopfes erleichtert oder automatisiert werden. Eine Voraussetzung für die klinische Anwendung ist in Europa die CE-Kennzeichnung als ein Medizinprodukt und in den USA die Zulassung durch die Food and Drug Administration (FDA). In den nächsten Jahren wird sich zeigen, ob eine Implementierung dieser Algorithmen in den Alltag umgesetzt werden kann. Die Anwendung von künstlicher Intelligenz in der Augenheilkunde ist jedoch längst keine Zukunftsmusik mehr. Zuletzt konnte ein auf KI basierender Algorithmus zur Früherkennung einer diabetischen Retinopathie auf Fundusfotos eine Zulassung in Europa (2019) und in den USA (2018) erhalten [44] . Big data and ophthalmic research Glaucoma incidence in an unselected cohort of diabetic patients: is diabetes mellitus a risk factor for glaucoma? Association of systemic hypertension with primary open-angle glaucoma: a populationbased case-control study Acute closed angle glaucoma and sunshine Efficient capture of highquality data on outcomes of treatment for macular diseases: the fight retinal blindness! Project The IRIS ® registry: purpose and perspectives Near complete visual recovery and refractive stability in modern corneal transplantation: descemet membrane endothelial keratoplasty (DMEK) Implementierung einer elektronischen Patientenakte an einer deutschen Augenklinik der Maximalversorgung Entwicklung eines augenärztlichen klinischen Informationssystems für bettenführende Augenkliniken Einsatz einer elektronischen Patientenakte (EPA) an der Universitätsaugenklinik Magdeburg Per aspera ad astra: Einführung einer elektronischen Patientenakte an einer Universitätsaugenklinik: Erfahrungen mit "FIDUS" in der Klinik für Augenheilkunde am Universitätsklinikum des Saarlandes UKS Rahmenbedingungen zur Sammlung von "Real-Life"-Daten am Beispiel der Augenklinik der Universität München Application of the sight outcomes research collaborative ophthalmology data repository for triaging patients with glaucoma and clinic appointments during pandemics such as COVID-19 Artificial intelligence in retina Deep Learning" und neuronale Netzwerke in der Augenheilkunde Expert agreement in evaluating the optic disc for glaucoma Joint disc and cup segmentation based on recurrent fully convolutional network Direct cup-to-disc ratio estimation for glaucoma screening via semi-supervised learning Automated segmentation errors when using optical coherence tomography to measure retinal nerve fiber layer thickness in glaucoma Quantification of retinal nerve fibre layer thickness on optical coherence tomography with a deep learning segmentation-free approach Assessment of a segmentation-free deep learning algorithm for diagnosing glaucoma from optical coherence tomography scans A deep learning approach to digitally stain optical coherence tomography images of the optic nerve head Patient characteristics associated with artifacts in spectralis optical coherence tomography imaging of the retinal nerve fiber layer in glaucoma Towards label-free 3D segmentation of optical coherence tomography images of the optic nerve head using deep learning Screening for glaucoma: U.S. preventive services task force recommendation statement Detection of retinal nerve fiber layer defects on retinal fundus images for early diagnosis of glaucoma Efficacy of a deep learning system for detecting glaucomatous optic neuropathy based on color fundus photographs Deep learning and glaucoma specialists: the relative importance of optic disc features to predict glaucoma referral in fundus photographs From machine to machine: an OCT-trained deep learning algorithm for objective quantification of glaucomatous damage in fundus photographs Human versus machine: comparing a deep learning algorithm to human gradings for detecting glaucoma on Fundus photographs A deep learning algorithm to quantify neuroretinal rim loss from optic disc photographs Deep learning approaches predict glaucomatous visual field damagefromOCT opticnerveheadenfaceimages and retinal nerve fiber layer thickness maps Artificial intelligence mapping of structure to function in glaucoma Efficacy for differentiating nonglaucomatous versus glaucomatous optic neuropathy using deep learning systems Optic nerve head edema among patients presenting to the emergency department Ophthalmoscopy in the 21st century: the 2017 H. Houston Merritt lecture Swelling of the optic nerve head: a staging scheme Automated analysis of optic nerve images for detection and staging of papilledema Decision support system for detection of papilledema through fundus retinal images Fully automated diagnosis of papilledema through robust extraction of vascular patterns and ocular pathology from fundus photographs Accuracy of machine learning for differentiation between optic neuropathies and pseudopapilledema Artificial intelligence to detect papilledema from ocular fundus photographs Clinically applicable deep learning for diagnosis and referral in retinal disease