Skip to main content
SpringerLink
Log in

Potenzial von Methoden der künstlichen Intelligenz für die Qualitätssicherung

Potential of methods of artificial intelligence for quality assurance

  • Leitthema
  • Published:
Der Ophthalmologe Aims and scope Submit manuscript

Zusammenfassung

Hintergrund

Verfahren der künstlichen Intelligenz (KI) wie künstliche neuronale Netzwerke zeigen vielversprechende Ergebnisse im Bereich der automatisierten Analyse ophthalmologischer Bilddaten.

Fragestellung

Der vorliegende Beitrag diskutiert, inwiefern die Diskussion und Anwendung von KI-Algorithmen auch zur Qualitätssicherung im Bereich der Augenheilkunde beitragen kann.

Material und Methode

Relevante Literaturbeiträge werden zusammenfassend diskutiert.

Ergebnisse

Systeme, basierend auf künstlichen neuronalen Netzen, erzielen sehr gute Ergebnisse in der Diagnostik von Augenerkrankungen, indem beispielsweise OCT(optische Kohärenztomographie)-Bilder sehr gut segmentiert und Läsionsbestandteile detektiert werden können. Zum Trainieren dieser Netzwerke werden große Datensätze genutzt. Qualität und Verfügbarkeit dieser Datensätze bestimmen die kontinuierliche Verbesserung der Algorithmen. Der Vergleich zwischen KI-Algorithmen und der ärztlichen Bildinterpretation hat auch Einblicke in die diagnostische Übereinstimmung zwischen ÄrztInnen erlaubt. Aktuelle Herausforderungen liegen in der Entwicklung von Verfahren zur Modellierung der Unsicherheit und besseren Nachvollziehbarkeit automatisierter diagnostischer Entscheidungen.

Schlussfolgerungen

KI-Systeme könnten zeitnah als Systeme zur Entscheidungsunterstützung zum Einsatz kommen. Dadurch können sie zur effizienteren Qualitätssicherung beitragen.

Abstract

Background

Procedures with artificial intelligence (AI), such as deep neural networks, show promising results in automatic analysis of ophthalmological imaging data.

Objective

This article discusses to what extent the application of AI algorithms can contribute to quality assurance in the field of ophthalmology.

Methods

Relevant aspects from the literature are discussed.

Findings

Systems based on artificial deep neural networks achieve remarkable results in the diagnostics of eye diseases, such as diabetic retinopathy and are very helpful, for example by segmenting optical coherence tomographic (OCT) images and detecting lesion components with high fidelity. To train these algorithms large data sets are required. The quality and availability of such data sets determine the continuous improvement of the algorithms. The comparison between the AI algorithms and physicians for image interpretation has also enabled insights into the diagnostic concordance between physicians. Current challenges include the development of methods for modelling decision uncertainty and improved interpretability of automated diagnostic decisions.

Conclusion

Systems based on AI can support decision making for physicians and thereby contribute to a more efficient quality assurance.

This is a preview of subscription content, log in via an institution to check access.

Access this article

Log in via an institution

Price excludes VAT (USA)
Tax calculation will be finalised during checkout.

Instant access to the full article PDF.

Institutional subscriptions

Abb. 1

Literatur

  1. Esteva A, Robicquet A, Ramsundar B et al (2019) A guide to deep learning in healthcare. Nat Med 25(1):24. https://doi.org/10.1038/s41591-018-0316-z

    Article  CAS  PubMed  Google Scholar 

  2. Topol EJ (2019) High-performance medicine: the convergence of human and artificial intelligence. Nat Med 25(1):44. https://doi.org/10.1038/s41591-018-0300-7

    Article  CAS  PubMed  Google Scholar 

  3. Arcadu F, Benmansour F, Maunz A, Willis J, Haskova Z, Prunotto M (2019) Deep learning algorithm predicts diabetic retinopathy progression in individual patients. Npj Digit Med 2(1):1–9. https://doi.org/10.1038/s41746-019-0172-3

    Article  Google Scholar 

  4. Bogunović H, Venhuizen F, Klimscha S et al (2019) RETOUCH: the retinal OCT fluid detection and segmentation benchmark and challenge. IEEE Trans Med Imaging 38(8):1858–1874. https://doi.org/10.1109/TMI.2019.2901398

    Article  PubMed  Google Scholar 

  5. Chakravarthy U, Goldenberg D, Young G et al (2016) Automated identification of lesion activity in neovascular age-related macular degeneration. Ophthalmology 123(8):1731–1736. https://doi.org/10.1016/j.ophtha.2016.04.005

    Article  PubMed  Google Scholar 

  6. Poplin R, Varadarajan AV, Blumer K et al (2018) Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nat Biomed Eng 2(3):158–164. https://doi.org/10.1038/s41551-018-0195-0

    Article  PubMed  Google Scholar 

  7. Fauw JD, Ledsam JR, Romera-Paredes B et al (2018) Clinically applicable deep learning for diagnosis and referral in retinal disease. Nat Med 24(9):1342. https://doi.org/10.1038/s41591-018-0107-6

    Article  CAS  PubMed  Google Scholar 

  8. Gulshan V, Peng L, Coram M et al (2016) Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA 316(22):2402–2410. https://doi.org/10.1001/jama.2016.17216

    Article  PubMed  Google Scholar 

  9. Schlegl T, Waldstein SM, Bogunovic H et al (2018) Fully automated detection and quantification of macular fluid in OCT using deep learning. Ophthalmology 125(4):549–558. https://doi.org/10.1016/j.ophtha.2017.10.031

    Article  PubMed  Google Scholar 

  10. Schmidt-Erfurth U, Bogunovic H, Sadeghipour A et al (2018) Machine learning to analyze the prognostic value of current imaging biomarkers in neovascular age-related macular degeneration. Ophthalmol Retin 2(1):24–30. https://doi.org/10.1016/j.oret.2017.03.015

    Article  Google Scholar 

  11. Kalet AM, Luk SMH, Phillips MH (2019) Quality assurance tasks and tools: the many roles of machine learning. Med Phys. https://doi.org/10.1002/mp.13445

    Article  PubMed  Google Scholar 

  12. Grote T, Berens P (2019) On the ethics of algorithmic decision making in healthcare. J Med Ethics. https://doi.org/10.1136/medethics-2019-105586

    Article  PubMed  PubMed Central  Google Scholar 

  13. Ayhan MS, Kuehlewein L, Aliyeva G, Inhoffen W, Ziemssen F, Berens P (2019) Expert-validated estimation of diagnostic uncertainty for deep neural networks in diabetic retinopathy detection. medRxiv. https://www.medrxiv.org/content/10.1101/19002154v1. Zugegriffen: 18. Feb. 2020

  14. Hein M, Andriushchenko M, Bitterwolf J (2019) Why ReLU Networks Yield High-Confidence Predictions Far Away From the Training Data and How to Mitigate the Problem. http://openaccess.thecvf.com/content_CVPR_2019/html/Hein_Why_ReLU_Networks_Yield_High-Confidence_Predictions_Far_Away_From_the_CVPR_2019_paper.html. Zugegriffen: 31. Okt. 2019 (41–50)

  15. Leibig C, Allken V, Ayhan MS, Berens P, Wahl S (2017) Leveraging uncertainty information from deep neural networks for disease detection. Sci Rep 7(1):1–14. https://doi.org/10.1038/s41598-017-17876-z

    Article  CAS  Google Scholar 

  16. Sayres R, Taly A, Rahimy E et al (2019) Using a deep learning algorithm and integrated gradients explanation to assist grading for diabetic retinopathy. Ophthalmology 126(4):552–564. https://doi.org/10.1016/j.ophtha.2018.11.016

    Article  PubMed  Google Scholar 

  17. Kurmann T, Yu S, Márquez-Neila P et al (2019) Expert-level automated biomarker identification in optical coherence tomography scans. Sci Rep 9(1):1–9. https://doi.org/10.1038/s41598-019-49740-7

    Article  CAS  Google Scholar 

  18. Schmidt-Erfurth U, Sadeghipour A, Gerendas BS, Waldstein SM, Bogunović H (2018) Artificial intelligence in retina. Prog Retin Eye Res 67:1–29. https://doi.org/10.1016/j.preteyeres.2018.07.004

    Article  PubMed  Google Scholar 

  19. Krause J, Gulshan V, Rahimy E et al (2018) Grader variability and the importance of reference standards for evaluating machine learning models for diabetic retinopathy. Ophthalmology 125(8):1264–1272. https://doi.org/10.1016/j.ophtha.2018.01.034

    Article  PubMed  Google Scholar 

  20. Artificial Intelligence LAJ, Medical Decisions B‑B (2019) Accuracy versus explainability. Hastings Cent Rep 49(1):15–21. https://doi.org/10.1002/hast.973

    Article  Google Scholar 

  21. Berens P, Ayhan MS (2019) Proprietary data formats block health research. Nature 565:429–429. https://doi.org/10.1038/d41586-019-00231-9

    Article  CAS  PubMed  Google Scholar 

  22. Lee K, Buitendijk GHS, Bogunovic H et al (2016) Automated segmentability index for layer segmentation of macular SD-OCT images. Transl Vis Sci Technol 5(2):14. https://doi.org/10.1167/tvst.5.2.14

    Article  PubMed  PubMed Central  Google Scholar 

  23. Costa P, Campilho A, Hooi B et al (2017) Eyequal: accurate, explainable, retinal image quality assessment. In: 2017 16th IEEE International Conference on Machine Learning and Applications (ICMLA), Cancun, 18-21 Dec 2017. Bd. 2017. IEEE, S 323–330 https://doi.org/10.1109/ICMLA.2017.0-140

  24. Kern C, Fu DJ, Huemer J et al (2019) An open-source dataset of anti-vegf therapy in diabetic macular oedema patients over four years & their visual outcomes. medRxiv. https://www.medrxiv.org/content/10.1101/19009332v2. Zugegriffen: 18. Feb. 2020

  25. Obermeyer Z, Powers B, Vogeli C, Mullainathan S (2019) Dissecting racial bias in an algorithm used to manage the health of populations. Science 366(6464):447–453. https://doi.org/10.1126/science.aax2342

    Article  CAS  PubMed  Google Scholar 

  26. Barikian A, Haddock LJ (2018) Smartphone assisted fundus fundoscopy/photography. Curr Ophthalmol Rep 6(1):46–52. https://doi.org/10.1007/s40135-018-0162-7

    Article  Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Forschungsinstitut für Augenheilkunde, Universität Tübingen, Otfried-Müller-Str. 25, 72076, Tübingen, Deutschland

    Philipp Berens, Murat Seckin Ayhan & Louis Kümmerle

  2. Interfakultäres Institut für Bioinformatik und Medizininformatik, Universität Tübingen, Tübingen, Deutschland

    Philipp Berens

  3. Christian Doppler Laboratory for Ophthalmic Image Analysis, Univ. Klinik für Augenheilkunde und Optometrie, Medizinische Universität Wien, Wien, Österreich

    Sebastian M. Waldstein

  4. Department of Ophthalmology, Westmead Hospital, University of Sydney, Sydney, Australien

    Sebastian M. Waldstein

  5. Klinik für Augenheilkunde, Universitätsklinikum Freiburg, Freiburg, Deutschland

    Hansjürgen Agostini

  6. Universitätsaugenklinik Greifswald, Universitätsmedizin Greifswald, Greifswald, Deutschland

    Andreas Stahl

  7. Universitäts-Augenklinik Tübingen, Universität Tübingen, Tübingen, Deutschland

    Focke Ziemssen

Authors
  1. Philipp Berens
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Sebastian M. Waldstein
    View author publications

    You can also search for this author in PubMed Google Scholar

  3. Murat Seckin Ayhan
    View author publications

    You can also search for this author in PubMed Google Scholar

  4. Louis Kümmerle
    View author publications

    You can also search for this author in PubMed Google Scholar

  5. Hansjürgen Agostini
    View author publications

    You can also search for this author in PubMed Google Scholar

  6. Andreas Stahl
    View author publications

    You can also search for this author in PubMed Google Scholar

  7. Focke Ziemssen
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Philipp Berens.

Ethics declarations

Interessenkonflikt

P. Berens ist unbezahlter, wissenschaftlicher Berater des Start-up-Unternehmens „eye2you“. F. Ziemssen hat Forschungsunterstützung von Allergan, Alimera, Bayer, Biogen, Clearside, Novartis und Roche erhalten sowie Honorare für Beratungstätigkeit von Allergan, Alimera, Bayer, Boehringer Ingelheim, Novartis, Novo Nordisk, MSD, Optos und Roche erhalten, ohne dass hier ein inhaltlicher Bezug besteht. S.M. Waldstein, M.S. Ayhan, L. Kümmerle, H. Agostini und A. Stahl geben an, dass kein Interessenkonflikt besteht.

Für diesen Beitrag wurden von den Autoren keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.

Rights and permissions

Reprints and permissions

About this article

Check for updates. Verify currency and authenticity via CrossMark

Cite this article

Berens, P., Waldstein, S.M., Ayhan, M.S. et al. Potenzial von Methoden der künstlichen Intelligenz für die Qualitätssicherung. Ophthalmologe 117, 320–325 (2020). https://doi.org/10.1007/s00347-020-01063-z

Download citation

  • Published:

  • Issue Date:

  • DOI: https://doi.org/10.1007/s00347-020-01063-z

Schlüsselwörter

Keywords

Search

Navigation