Die Verwendung von Künstlicher Intelligenz zur Schätzung der vorderen Kammertiefe aus Spaltlampenbildern, die mit der anterioren Segment-Optischen Kohärenztomographie entwickelt wurden.

Der primäre Winkelverschlussglaukom (PACG) ist eine Hauptursache für Sehbehinderungen, insbesondere in Asien. Obwohl effektive Screening-Tools notwendig sind, ist der aktuelle Goldstandard komplex und zeitaufwendig und erfordert umfangreiche Expertise. Künstliche Intelligenz hat neue Möglichkeiten für Innovationen in der ophthalmologischen Bildgebung eröffnet. Die vordere Kammertiefe (ACD) ist ein wichtiger Risikofaktor für den Winkelverschluss und wurde als schnelles Screening-Parameter für PACG vorgeschlagen. Diese Studie zielt darauf ab, einen KI-Algorithmus zu entwickeln, der die ACD quantitativ aus Fotos des vorderen Segments vorhersagt, die mit einem tragbaren Smartphone-Spaltlampenmikroskop aufgenommen wurden. Wir haben retrospektiv 204.639 Aufnahmen von 1586 Augen gesammelt, wobei die ACD-Werte durch anterior-segment OCT erhalten wurden. Wir entwickelten zwei Modelle, (Modell 1) die Extraktion diagnostizierbarer Bilder und (Modell 2) die ACD-Schätzung, wobei SWSL ResNet als Modell für maschinelles Lernen verwendet wurde. Modell 1 erreichte eine Genauigkeit von 0,994. Modell 2 erreichte einen MAE von 0,093 ± 0,082 mm, einen MSE von 0,123 ± 0,170 mm und eine Korrelation von R = 0,953. Darüber hinaus zeigte die Schätzung unseres Modells für das Risiko eines Winkelverschlusses eine Sensitivität von 0,943, eine Spezifität von 0,902 und eine Fläche unter der Kurve (AUC) von 0,923 (95%CI: 0,878-0,968). Wir haben erfolgreich ein leistungsstarkes Modell zur Schätzung der ACD entwickelt, das die Grundlage für die Vorhersage anderer quantitativer Messungen im Zusammenhang mit PACG-Screening legt.