Deutsche HTML-Ausgabe der Dissertation

Forschungsgegenstand

Die Dissertation untersucht ein Computer-Vision- und Deep-Learning-System zur Unterscheidung normaler, keratokonischer und keratokonusverdächtiger Hornhäute anhand topographischer Karten.

Diese HTML-Ausgabe folgt der vollständigen Übersetzung. Tabellen werden als responsive HTML-Tabelle dargestellt, sofern ihre Werte zuverlässig rekonstruiert werden konnten; andernfalls verweist die Seite auf die entsprechende Originalseite im Faksimile.

Zusammenfassung

Arabische Zusammenfassung (Original S. 21)

Einleitung

Keratokonus ist eine häufige Erkrankung; seine frühe Erkennung ist von großer Bedeutung. Sie erfolgt durch die sorgfältige und genaue Befundung topographischer Bilder, um zwischen keratokonischen, verdächtigen und normalen Hornhäuten zu unterscheiden. Zahlreiche Studien haben versucht, Kriterien und Kennwerte zu finden, die eine frühe Erkennung unterstützen; die Genauigkeitskennwerte fielen unterschiedlich aus. Die meisten früheren Studien stützten sich jedoch nur auf einen kleinen Teil der Informationen aus den topographischen Bildern. Nach dem qualitativen Sprung in den Computerwissenschaften, insbesondere im Bereich der künstlichen Intelligenz und der künstlichen neuronalen Netze, sowie nach dem Aufkommen medizinischer Anwendungen, die medizinische Bilder automatisch lesen und analysieren können, war es notwendig, die Möglichkeit des Einsatzes von KI-Techniken zur Erkennung keratokonischer und verdächtiger Hornhäute zu untersuchen.

Ziel der Studie

Untersuchung der Leistungsfähigkeit von Computer-Vision-Algorithmen und Deep-Learning-Algorithmen zur Unterscheidung von Topographiekartenbildern normaler, keratokonischer und verdächtiger Hornhäute.

Material und Methoden

Unsere Studie besteht aus zwei Teilen. Der erste Teil ist eine retrospektive Untersuchung von Patientenakten und Bildern zur Erhebung einer Trainingsstichprobe aus 987 Augen (300 keratokonische, 610 normale und 77 verdächtige Augen). Der zweite Teil ist eine Querschnittsuntersuchung zur Erhebung einer Teststichprobe aus 422 Augen (13 keratokonische, 366 normale und 43 verdächtige Augen). Das von uns vorgeschlagene KI-System besteht aus zehn künstlichen neuronalen Netzen. Jedes Netz ist für die Befundung einer Karte zuständig (vordere und hintere tangentiale Karten, vordere und hintere sagittale Karten, vordere und hintere Höhenkarten, vordere, hintere und äquivalente refraktive Stärkekarten sowie Dickenkarte) und sagt voraus, welcher der drei Klassen die Karte angehört. Die Ausgaben der Netze bilden die Eingaben eines künstlichen neuronalen Netzes, das die endgültige Entscheidung des Systems trifft.

Ergebnisse

Das von uns vorgeschlagene KI-System erreichte in der Testgruppe eine Genauigkeit und Gesamtwerte des gewichteten F-Scores von 91,2 %–92,2 %. Zwischen ihm, der dem SIRIUS-Gerät beiliegenden Software und dem Arzt bestand kein statistisch signifikanter Unterschied (p > 5 %). Der Arzt erzielte mit Unterstützung des KI-Systems im Vergleich zu allen anderen Modellen das beste Ergebnis (95,9 %–96,2 %); der Unterschied war statistisch signifikant (p < 5 %).

Schlussfolgerungen

Wir empfehlen, das KI-System als Hilfsinstrument für den Arzt bei der Befundung topographischer Karten einzusetzen.

Schlüsselwörter: Keratokonus; künstliche Intelligenz; Deep Learning; künstliche neuronale Netze.

Eingebundene Übersetzungssegmente

Die weiteren Kapitel werden für den reproduzierbaren PDF-Build direkt aus den folgenden vollständigen Übersetzungssegmenten zusammengesetzt:

• translation-s22-31.md und translation-s32-43.md
• translation-s44-75.md (deckt inhaltlich S. 44–81 ab)
• translation-s82-113.md
• translation-s114-137.md
• translation-s138-164.md
• translation-s165-196.md