Deep-Learning-gestützte epitheliale Basalmembrandystrophie-Erkennung

Die epitheliale Basalmembrandystrophie, auch bekannt als Map-Dot-Fingerprint-Dystrophie oder mikrozystische Cogan-Dystrophie, ist eine häufige bilaterale Dystrophie der vorderen menschlichen Hornhaut. Laut einer Studie betrifft es ungefähr 2% der menschlichen Bevölkerung. Eine neuere Studie berichtete sogar über Veränderungen der Basalmembran bei 25 % der Allgemeinbevölkerung. Aufgrund ihres klinischen und morphologischen Erscheinungsbildes wird die Krankheit jedoch wahrscheinlich oft übersehen.

Obwohl die epitheliale Basalmembrandystrophie bei vielen betroffenen Patienten asymptomatisch ist, sind einige wichtige klinische Folgen der Erkrankung zu beachten: Die Dystrophie gilt als zweithäufigste Ursache des rezidivierenden Hornhauterosionssyndroms und ist auch eine wichtige Differenzialdiagnose des Trockenen Auges . Daher kann es bei betroffenen Patienten starke Schmerzen verursachen. Darüber hinaus spielt die epitheliale Basalmembrandystrophie eine wichtige Rolle im Zusammenhang mit der Kataraktchirurgie, einer der weltweit am häufigsten durchgeführten Operationen: Neben der Bedeutung eines angemessenen Krankheitsmanagements vor der Operation, um eine postoperative Exazerbation der Augenoberflächensymptome zu verhindern, ist die epitheliale Basalmembrandystrophie von Bedeutung auch ein Risikofaktor für ungenaue präoperative Biometrie.

In den letzten Jahren wurden Besonderheiten der epithelialen Basalmembrandystrophie in andere Untersuchungsmethoden als die Spaltlampen-Biomikroskopie eingeführt, wie z. B. das Epitheldicken-Mapping oder die optische Kohärenztomographie. Aufgrund der jüngsten Einführung einer Vielzahl von Deep-Learning-Systemen könnte die Anwendung von maschinellem Lernen die Erkennungsrate für epitheliale Basalmembrandystrophie signifikant erhöhen. Darüber hinaus ist nach unserem besten Wissen die Veränderung der Krankheitsmerkmale im Laufe der Zeit derzeit nicht bekannt.

Daher wird der erste Teil dieser Studie die Fähigkeit eines automatisierten Deep-Learning-Systems untersuchen, das optische Kohärenztomographie-Scans verwendet, um zwischen normalen menschlichen Hornhäuten und Hornhäuten zu unterscheiden, die von epithelialer Basalmembrandystrophie betroffen sind. Dazu werden 100 Augen von 50 Patienten in beide Studiengruppen eingeschlossen. In einem optionalen 2. Teil der Studie wird eine zweite Visite bei Patienten mit epithelialer Basalmembrandystrophie geplant, um die Reproduzierbarkeit von Krankheitsmerkmalen als sekundäres Outcome zu untersuchen.