Review-Artikel
Künstliche Intelligenz in der Glaukom-Versorgung: Eine Literaturrecherche
Artikel teilen
Eingereicht am:
Akzeptiert am:
Veröffentlicht am:
Autoren
1Nova Southeastern University, College of Optometry, Orlando, FL, USA
Schlüsselwörter
Künstliche Intelligenz
Deep Learning
Glaukom
Keywords
Artificial intelligence
deep learning
glaucoma
Zusammenfassung
Zweck:
Dieser Literatur-Review untersucht die aktuelle klinische Forschungslandschaft sowie potenzielle Anwendungsmöglichkeiten und Herausforderungen hinsichtlich der Implementation von Systemen Künstlicher Intelligenz (KI) als Unterstützung in den Bereichen Glaukomdiagnose, Progression und Prognose.
Material und Methoden:
Der nicht systematische Literatur-Review wurde im Zeitraum vom 1. bis 25. März 2022 mithilfe der Datenbank PubMed durchgeführt. Dazu wurden folgende Suchbegriffe abgefragt: „artificial intelligence“ (Künstliche Intelligenz), „deep learning“ (Deep Learning), „machine learning“ (maschinelles Lernen), „glaucoma diagnosis“ (Glaukomdiagnose) und „glaucoma progression“ (Glaukomprogression).
Ergebnisse:
Die Ergebnisse der Studie zeigen, dass zahlreiche KI-Systeme entwickelt wurden, die möglicherweise Einblicke in neue krankheitsspeziefsche Biomarker geben können. Diese Systeme nutzen strukturelle Inputs (Fundusund SD-OCT [Spectral-Domain-optische-Kohärenztomographie]-Aufnahmen) sowie funktionale Inputs (Automatische Standardperimetrie) zur Glaukomdiagnose und Prognoseerstellung – wobei sie eine hohe Sensitivität sowie Spezifität aufweisen – und werden derzeit hinsichtlich ihrer klinischen Anwendung untersucht. Fundusaufnahmen stellen derzeit den durch KI-Systeme am häufigsten genutzten Parameter dar. Dabei können sich die Kriterien, die von verschiedenen KI-Systemen zur Diagnose genutzt werden, unterscheiden. Auch sind Trainingsdatensätze gegebenenfalls nicht öffentlich verfügbar und nicht immer kommt es zu einer externen Validierung der Modelle. All dies stellt potenzielle Hindernisse für die klinische Anwendung und den klinischen Nutzen der KI-Systeme dar.
Fazit:
KI-Systeme weisen ein erhebliches Potenzial auf, um die Entstehung und Progression des Krankheitsbildes zu diagnostizieren, die Krankheitsentwicklung und ihren Verlauf vorauszusagen und um neue Biomarker für die Krankheitsentstehung zu identifizieren. Dadurch sollen die Qualität der Behandlung sowie der Zugang dazu verbessert, Kosten reduziert und Unterschiede in der gesundheitlichen Versorgung von Patienten verringert werden. Das Nichtvorhandensein maßgeblicher Ground-Truth-Daten für die Glaukomdiagnose und die Problematik, komplexe KI-Systeme zu erklären, stellen Herausforderungen bezüglich der Regulierung und klinischen Anwendung dieser Systeme dar.
Abstract
Purpose:
This review explores the current clinical landscape, potential applications, and implementation challenges of artificial intelligence (AI) systems used to aid in glaucoma diagnosis, progression, and prediction.
Material and Mehods:
Nonsystematic literature review was carried out between March 1, 2022 and March 25, 2022 using the PubMed database using search combinations of “artificial intelligence,” “deep learning,” “machine learning,” “glaucoma diagnosis,” and “glaucoma progression”.
Results:
The study results demonstrate that numerous AI systems have been developed which may provide insight into new disease biomarkers and which provide high levels of sensitivity and specificity using structural (fundus photographs, spectral domain optical coherence tomography [SD-OCT]) and functional inputs (standard automated perimetry) for glaucoma diagnosis and determination of disease progression which are currently being investigated for clinical application. Fundus photographs are currently the most commonly utilized parameter in AI systems. Diagnostic criteria vary between AI systems, training datasets may not be publicly available, and external validation of models may not be performed, which represent potential barriers to clinical application and utility.
Conclusions:
AI systems show significant potential in the ability to aid in diagnosis of disease development and progression, predict disease development and progression, and identify new biomarkers for disease development to maximize quality and accessibility of care, decrease cost, and lower health disparities. Lack of definitive ground truth in glaucoma diagnosis and challenges in explainability of complex AI systems pose regulatory and clinical application challenges.
Holen Sie sich jetzt ein digitales Abonnement und lesen Sie weiter!
Mit dem Digital-Abo haben Sie freien Zugang zu allen Artikeln auf der OCL-Website. Ein Digitalabonnement lohnt sich schon ab sechs Einzelartikeln!
Sie haben ein Digital-Abo abgeschlossen? Dann loggen Sie sich hier ein: