Deep-Learning sagt postoperative Ergebnisse nach Operation einer idiopathischen epiretinalen Membran zuverlässig voraus

SURGICAL RETINA Taipei – Die Leistungsfähigkeit von Deep-Learn­ing-Modellen zur Vorhersage des postoperativen funktionellen Ergebnisses nach chirurgischer Entfernung einer idiopathischen epiretinalen Membran (ERM) haben Hsin-LE Lin vom Department of Ophthalmology des Taipei City Hospital, Taipei, Taiwan, und Kollegen untersucht. Grundlage der Analyse waren präoperative optische Kohärenztomografie (OCT)-Aufnahmen.

Für internes Training und Validierung verwendeten die Forscher 1.392 OCT-Bilder von 696 Augen. Ein externer Test wurde mit 152 OCT-Bildern von 76 Augen durchgeführt. Es kamen drei Deep-Learning-Modelle zum Einsatz: Inception-v3, ResNet-101 und VGG-19. Mittels Grad-weighted Class Activation Mapping (Grad-CAM) erfolgte die Analyse der entscheidungsrelevanten Bildbereiche. Der Gesamtdatensatz wurde im Verhältnis 80 % zu 20 % in Trainings- und Validierungsdaten unterteilt. Eine Verbesserung um zwei oder mehr Zeilen auf der Snellen-Sehtafel ein Jahr nach der Operation wurde als deutliche Visusverbesserung gewertet; eine Verbesserung um weniger als zwei Zeilen als moderat. Die Vorhersagen eines Deep-Learning-Modells wurden mit den Einschätzungen von sieben Augenärzten verglichen. Als Leistungsparameter dienten Recall, Spezifität, Präzision, F1-Score, Genauigkeit und die Fläche unter der Receiver-Operating-Characteristic-Kurve (AUROC, area under the ROC curve).

Das Modell ResNet-101 erzielte dabei die besten Ergebnisse: Recall 0,90, Spezifität 0,90, Präzision 0,91, F1-Score 0,90, Genauigkeit 0,90 und AUROC 0,97. Die Grad-CAM-Analyse zeigte, dass die von ResNet-101 fokussierten Bildbereiche jenen der ärztlichen Entscheidungsträger stark ähnelten. Insgesamt übertraf dieses Modell die diagnostische Leistung von nicht spezialisierten Ophthalmologen sowie von Nicht-Retina-Spezialisten signifikant und lag auch leicht über jener von Retina-Spezialisten.

Die Autorengruppe schlussfolgert in der April-Ausgabe 2025 des AMERICAN JOURNAL OF OPHTHALMOLOGY, dass Deep Learning auf der Basis präoperativer OCT-Bilder ein äusserst effektives In­strument zur Vorhersage der Ergebnisse von ERM-Operationen darstellt und zudem zur Aufklärung der strukturellen Mechanismen beiträgt, die den in OCT-Bildern erkennbaren Veränderungen zugrunde liegen. (bs)

Autoren: Lin HL, Tseng PC, Hsu MH, Peng SJ. Korrespondenz: Syu-Jyun Peng, In-Service Master Program in Artificial Intelligence in Medicine, College of Medicine, Taipei Medical University, Taipei, Taiwan. E-Mail: sjpeng2019@tmu.edu.tw Studie: Using a Deep Learning Model to Predict Postoperative Visual Outcomes of Idiopathic Epiretinal Membrane Surgery. Quelle: Am J Ophthalmol. 2025 Apr;272:67-78. doi: 10.1016/j.ajo.2025.01.003. Epub 2025 Jan 13. PMID: 39814096. Web: https://www.ajo.com/article/S0002-9394(25)00022-4/fulltext