Künstliche Intelligenz zur Entwicklung von Screening-Parametern im Bereich der kornealen Biomechanik

Reisdorf, Sven

doi:10.1055/a-1032-8559

Cited by 5 publications

(10 citation statements)

References 20 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…It uses an ultra-high-speed Scheimpflug camera combined with a noncontact tonometer, which captures 140 images within 31 milliseconds and covers 8 mm of the central cornea in a single horizontal meridian. 10,17 The device visualizes and measures the corneal deformation response after a standardized air-puff indentation. 18…”

mentioning

confidence: 99%

Correlation of the Corvis Biomechanical Factor with tomographic parameters in keratoconus

Flockerzi

Vinciguerra

Belin

et al. 2022

J Cataract Refract Surg

View full text Add to dashboard Cite

To investigate the relationship between corneal biomechanics and keratoconus (KC) severity as described by tomographic parameters.Setting: University-based German ophthalmology department. Design:Retrospective cross-sectional study.Methods: A total of 448 KC corneas of the Homburg Keratoconus Center and 112 healthy corneas (448+112 patients) were examined by Pentacam high-resolution and Corneal Visualization Scheimpflug Technology (Pentacam HR and Corvis ST). The KC population included a wide spectrum of disease severity based on Belin's ABCD classification. Linear regression analysis was performed between the linear term of the Corvis Biomechanical Index (CBI) (CBI beta) and the tomographic values anterior radius of curvature (ARC), posterior radius of curvature (PRC), and thinnest corneal thickness (TCT). A linear transformation of the CBI beta was performed to provide an intuitive scaling, which was referred to as the Corvis Biomechanical Factor (CBiF = À0.24294226 × CBI beta + 6.02). This scaling adjusted the CBI beta to the same scale as posterior corneal curvature (PRC).Results: There was a high correlation of the CBI beta and its modification, the CBiF, with TCT (Pearson, r = À0.775), ARC (r = À0.835), and PRC (r = À0.839) in the KC population (P < .001). In the control corneas, the correlation between the CBI beta and ARC was weak (r = À0.216, P = .022), not significant (PRC, r = À0.146, P = .125), or moderate (TCT, r = À0.628, P < .001). Conclusions:The linear term of the CBI was highly associated with KC severity as defined by corneal tomography. The CBiF represents a new scale based on biomechanical characteristics in KC, which could serve as a basis for a biomechanical KC classification in the future.

show abstract

mentioning

confidence: 99%

Correlation of the Corvis Biomechanical Factor with tomographic parameters in keratoconus

Flockerzi

Vinciguerra

Belin

et al. 2022

J Cataract Refract Surg

View full text Add to dashboard Cite

show abstract

“…Direkt im Anschluss wurde mit dem im Funktionenumfang erweiterten Luftdrucktonometer Corvis®ST (Fa. Oculus, Wetzlar, Deutschland) gemessen [ 10 , 26 , 29 ]. Die 60 Normalprobanden rekrutierten sich aus der Belegschaft der Klinik für Augenheilkunde am Universitätsklinikum des Saarlandes, die 379 Augen mit Keratokonus wurden aus dem Homburger Keratokonus Center (HKC) ausgewählt.…”

Section: Patienten Und Methodenunclassified

“…Weiter muss geprüft werden, ob bei Ansätzen des Maschinenlernens ein Ansatz aus dem überwachten Lernen zum Einsatz kommen soll oder ein Clustern der Daten beabsichtigt ist, bei dem der Algorithmus selbstständig eine Aufteilung der Daten nach Merkmalen vornimmt. Beim überwachten Lernen wird Expertenwissen benötigt [ 4 – 7 , 26 , 34 ], also beispielsweise eine Klassifizierung durch einen oder mehrere Experten („Labeling“). Gerade die Einbringung des Expertenwissens macht Verfahren der künstlichen Intelligenz anfällig für Fehlentscheidungen, da Experten im Grenzfall nicht immer kohärente Entscheidungen fällen.…”

Section: Diskussionunclassified

“…Alternativ kann die Zielgröße des Algorithmus anstatt einer kategorialen Variablen auch eine metrische Variable sein (z. B. ein Keratokonusindex)[ 16 , 19 – 21 , 26 , 27 , 32 , 37 ], man spricht dann von einem Regressionsalgorithmus des überwachten Lernens. Wichtigste Vertreter sind hier die Linear Regression (Generalized Linear Models [GLM]), Support Vector Regression (SVR), Ensemble Methods, Regression Trees oder Neural Networks.…”

unclassified

“…Für das Corvis®ST wird mit dem Corvis Biomechanical Index CBI eine Kenngröße angeboten [ 2 , 33 ], die aufgrund der Architektur des Algorithmus eine quasi binäre Entscheidung trifft, ob ein Keratokonus vorliegt oder nicht [ 8 , 15 , 26 , 30 ]. Ein Staging, das beispielsweise bei einer Verlaufskontrolle unabdingbar ist, leistet der CBI nicht.…”

unclassified

See 2 more Smart Citations

Keratokonusdetektion und Ableitung des Ausprägungsgrades aus den Parametern des Corvis®ST

et al. 2020

View full text Add to dashboard Cite

Zusammenfassung Hintergrund und Zielsetzung In den vergangenen Jahren wurden zunehmend Systeme der künstlichen Intelligenz in der Medizin etabliert, die Pathologien oder Erkrankungen erkennen oder von komplementären Erkrankungen abgrenzen. Bisher liefert das Corvis®ST (Corneal Visualization Scheimpflug Technology, Oculus, Wetzlar, Deutschland) einen Index-CBI, der quasi binär Keratokonus klassifiziert, aber kein Staging zulässt. Ziel der Studie ist es, anhand von Messgrößen des Corvis®ST ein Vorhersagemodell zu entwerfen, das den Topographic Keratoconus Classification Index (TKC) der Pentacam high resolution (HR, Oculus) nachbildet. Patienten und Methoden Es wurden 60 Messungen an Normalprobanden (TKC 0) und 379 Augen mit Keratokonus (TKC 1 bis 4) in die Studie mit einbezogen. Nach der Messung mit der Pentacam HR (Zielgröße TKC) wurde eine Untersuchung mit dem Corvis®ST durchgeführt, aus der 6 Messparameter extrahiert wurden, die in den Corvis Biomechanical Index CBI eingehen (ARTh, SP-A1, DA-Ratio 1 mm, DA-Ratio 2 mm, A1 velocity, max. Deformation Amplitude). Neben dem TKC als Zielgröße wurde der binarisierte TKC (1: TKC 1 bis 4, 0: TKC 0) modelliert. Als Gütemaß wurde die Genauigkeit des Modells als Anteil der korrekten Klassifizierungen herangezogen. Fehlklassifizierungen wurden in der Modellierung so bestraft, dass die Abweichung des modellierten TKC-Wertes vom gemessenen Wert bewertet wurde. Ergebnisse Es wurden 24 verschiedene Modelle des überwachten maschinellen Lernens aus 6 Familien getestet. Für die Modellierung des TKC in Stufen von 0–4 zeigte das Modell, basierend auf einer Support Vector Machine (SVM) mit linearem Kernel, die beste Performance mit einem Anteil an richtigen Klassifizierungen von 65,1 %. Für den binarisierten Wert des TKC zeigte ein Decision Tree mit grober Auflösung die beste Performance mit einem Anteil an richtigen Klassifizierungen von 95,2 %, direkt gefolgt von der SVM mit linearem oder quadratischem Kernel und dem Nearest Neighborhood Classifier mit kubischem Kernel (jeweils 94,5 %). Schlussfolgerungen In der Arbeit soll das Prinzip des überwachten Maschinenlernens in der Anwendung auf die modellierte Klassifizierung von Messbefunden gezeigt werden. So wurden Messdaten des Corvis®ST dazu verwendet, die Einteilung in den Schweregrad eines Keratokonus mittels Pentacam (TKC) mit einer ganzen Reihe von Algorithmen des maschinellen Lernens nachzubilden.

show abstract

Das biomechanische E-Staging: In-vivo-Biomechanik beim Keratokonus

Flockerzi

Xanthopoulou

Munteanu

et al. 2023

Klin Monbl Augenheilkd

View full text Add to dashboard Cite

ZusammenfassungDie ABCD-Klassifikation des Keratokonus nach Belin ermöglicht eine Stadieneinteilung des Keratokonus basierend auf den Kriterien Vorder- (A) und Rückflächenverkrümmung (B), dünnster Pachymetrie (C) und bestkorrigiertem Visus mit Brille (D). Diese Parameter ermöglichen auch eine Progressionsbeurteilung, berücksichtigen jedoch nicht die korneale Biomechanik. Die korneale Biomechanik ermöglicht mit dem Corvis ST (Oculus, Wetzlar, Deutschland) zunächst die Trennung zwischen gesunden und Keratokonus-Hornhäuten mittels Corvis Biomechanischem Index (CBI) und Tomografisch-Biomechanischem Index (TBI). Bei hoher Reliabilität der Corvis-ST-Messungen in unterschiedlichen Keratokonus-Stadien wurde daher ein biomechanischer Parameter für Keratokonus-Hornhäute entwickelt, der eine biomechanische Stadieneinteilung des Keratokonus ermöglicht und der auf dem linearen Term des CBI basiert. Dieser Corvis Biomechanische Faktor (CBiF) ist zugleich Grundlage der Einführung des biomechanischen E-Stagings, was die ABCD-Klassifikation um den Eckpfeiler der kornealen Biomechanik erweitert. Der Artikel zeigt Stärken und Limitationen der ABCDE-Klassifikation auf. Der (vermeintlich) „einseitige Keratokonus“ erweist sich zumeist als Momentaufnahme einer stark asymmetrisch ausgeprägten Keratektasie. Der reguläre Astigmatismus ist mitunter eine wichtige Differenzialdiagnose zur Keratektasie und schwierig von dieser abzugrenzen. Zudem wird die Anwendung des biomechanischen E-Stagings zur Progressionsbeurteilung des Keratokonus und nach Behandlung mittels kornealem Crosslinking oder Implantation intrakornealer Ringsegmente demonstriert und diskutiert.

show abstract

Künstliche Intelligenz zur Entwicklung von Screening-Parametern im Bereich der kornealen Biomechanik

Cited by 5 publications

References 20 publications

Correlation of the Corvis Biomechanical Factor with tomographic parameters in keratoconus

Correlation of the Corvis Biomechanical Factor with tomographic parameters in keratoconus

Keratokonusdetektion und Ableitung des Ausprägungsgrades aus den Parametern des Corvis®ST

Das biomechanische E-Staging: In-vivo-Biomechanik beim Keratokonus

Contact Info

Product

Resources

About