Einführung

Okuläre Tumoren sind Tumore im Inneren des Auges. Es handelt sich um Ansammlungen von Zellen, die abnormales Wachstum und Vermehrung zeigen und Massen bilden. Diese können sowohl gutartig, als auch bösartig sein. Die Spezialisten bei HS Analysis setzen auf eine bessere Gesundheitsversorgung und Behandlung von Krankheiten in der Augenheilkunde durch den Einsatz von KI-Algorithmen als geleitetes Werkzeug in Krankenhäusern und Forschungszentren. Unser Software- und Hardware-System unterstützt weiterhin Experten im medizinischen Bereich, indem es medizinische Daten in der Augenheilkunde analysiert und Tumoren von Nicht-Tumoren unterscheidet.

Diagnosemodalitäten

Die Welt der intraokularen Bildgebung explodiert geradezu vor neuen Technologien. Über Jahre hinweg dominierten Fundusfotografie, Fluoreszeinangiographie und okuläre Ultraschalluntersuchungen, aber nun gibt es noch mehr Auswahlmöglichkeiten, darunter Mikrobildgebungsmethoden, wie die optische Kohärenztomographie (OCT), OCT-Angiographie (OCTA), Fundus-Autofluoreszenz (FAF) und Indocyaningrün-Angiographie (ICGA). Zusätzlich gibt es die Makrobildgebungstechnologien Computertomographie (CT) und Magnetresonanztomographie (MRT). Noch unzureichend erforscht für den Einsatz bei intraokularen Tumoren sind multispektrale Bildgebung, Dunkeladaptation und adaptive Optik. Angesichts all dieser raffinierten Werkzeuge – wie soll ein Kliniker die geeignete Wahl treffen?

Das effektivste Instrument zur Beurteilung intraokularer Tumoren ist die indirekte Ophthalmoskopie in den Händen eines erfahrenen Augenonkologen. Zahlreiche Faktoren fließen in die Gleichung der Tumordiagnose ein, wie z.B. die Konfiguration der Läsion, die Oberflächenkontur, das Vorhandensein von Tumorsaat, das Vorhandensein und der Ausmaß von subretinalen Flüssigkeitsansammlungen, Schattierungen der Tumorfärbung, intrinsische Durchblutung und andere, die auf die Diagnose hinweisen und unsere Gedanken zur Behandlung lenken. Zum Beispiel wäre eine orange-gelbe Masse tief unterhalb des retinalen Pigmentepithels (RPE) oder in der Aderhaut mit umgebender Blutung und/oder Exsudation verdächtig auf periphere exsudative hämorrhagische Chorioretinopathie (im Vergleich zu choroidalem Metastasen von Nierenzellkarzinomen oder kutanem Melanom). Die Kombination von Merkmalen führt zur Mustererkennung.

Detektion und Analyse

Die Software von HS Analysis ist ein nützliches Instrument zur Unterstützung bei der frühzeitigen Erkennung und Analyse von Augenlidtumoren. Mit ihrer Hilfe können Hausärzte und Augenärzte ihre Fähigkeit zur Unterscheidung zwischen Tumoren und nicht-tumorösen Zuständen möglicherweise verbessern, was letztendlich zu früheren Diagnosen und wirksameren Behandlungsmöglichkeiten führen kann.

Die Software verwendet verschiedene Techniken wie Bilderkennungsalgorithmen und Modelle des maschinellen Lernens, um Tumore anhand von Merkmalen wie Größe, Form und Lage zu identifizieren und zu klassifizieren. Sie hilft auch dabei, Bilder der Augenlider eines Patienten im Laufe der Zeit zu vergleichen, um Veränderungen zu erkennen, die auf Tumorwachstum oder -fortschritt hinweisen könnten.

Insgesamt stellt die Entwicklung der Software von HS Analysis einen vielversprechenden Schritt zur Verbesserung der frühzeitigen Erkennung und Analyse von Augenlidtumoren dar, was letztendlich zu besseren Patientenergebnissen und einer Verringerung von Morbidität und Mortalität führen kann.

Bedeutung von ophthalmischen Tumoren in der HSA Software

• Der Techniker kann einige Tumorzellen klassifizieren, sodass sie als Ground-Truth-Daten (GTD) für das Training eines Deep Learning-Modells verwendet werden können.

• Durch die Verwendung von in das Programm integrierten KI-Algorithmen, die Tumoren mithilfe von Deep Learning-Modellen schnell lokalisieren und kategorisieren.

• Es ermöglicht eine schnelle und präzisere Früherkennung von Tumoren.

Funktionsweise von Modulen zu ophthalmischen Tumoren

  • Wir kategorisieren einfach, welche Bilder Tumore enthalten und welche nicht, wie im obigen Bild zu sehen ist.
  • Dann entwickelt das Programm ein Deep Learning-Modell, das automatisch Tumore in anderen Bildern erkennen kann.
  • Die nicht-tumorösen und tumorösen Augen werden automatisch mithilfe unseres DL-Modells unterschieden.

Aktueller Stand der Technik bei Klassifikationsarchitekturen

Es wurde HyperTumorEyenet (Typ 1) implementiert, basierend auf EfficientNet, einer Architektur für faltungsneuronale Netzwerke (CNN), die die Tiefe, Breite und Auflösung gleichmäßig mithilfe eines festen Satzes von Skalierungskoeffizienten skaliert, anstatt sie willkürlich zu skalieren, wie es üblicherweise gemacht wird. HyperTumorEyenet (Typ 1) wurde unter Verwendung von integrierten Funktionen innerhalb der HSA KIT-Software implementiert.

Die Ergebnisse zeigen für das Modell eine accurarcy von 96 %. Zusätzlich wurde eine precision von 92,59 % erzielt. Für den recall wurde ein Wert von 100 % ermittelt. Desweiteren ergab sich für den F1 score ein Wert von 96,15 %. Der Cohen Kappa score erreichte 92 %.

xAI im HSA KIT

Die xAI-Technik in der HSA KIT-Software wurde verwendet, um bildspezifische Bereiche für bestimmte Klassen zu lokalisieren.

Die Schritte zur Implementierung von xAI mit der HSA KIT-Software-Technik umfassen: Laden eines Bildes, Vorverarbeiten des Bildes, Laden des vorab trainierten Modells, Durchlaufen des verarbeiteten Bildes durch das Modell zur Generierung von Vorhersagen, Definieren der Zielklasse, Berechnen von Gradienten, Anwenden des globalen Durchschnittspoolings, Generieren der Heatmap und schließlich Überlagern der Heatmap auf das Originalbild, um die Bereiche zu visualisieren, die zur Vorhersage der Zielklasse beitragen.

Als HSA KIT-Kunde können Sie die Entscheidungen des bereits trainierten Deep Learning-Modells verstehen sowie erkennen, in welche Richtung optimiert werden sollte, um während des Schulungsprozesses das qualitativ beste Deep Learning-Modell zu erhalten. In diesem iterativen Prozess des Trainings eines Deep Learning-Modells können Sie genau sehen, welche Merkmale aktiviert werden sollten oder wie viel mehr Daten einer bestimmten Klasse verwendet werden sollten, um die besten Ergebnisse zu erzielen, wie die Abbildung unten zeigt. Tumorabbildungen, wie vom Modell erkannt; warme Farben (gelb, rot) zeigen Regionen im Tumorgewebe an, die eine höhere Konzentration/Intensität der Gewebetätigkeit aufweisen, wie vom Modell erkannt.

Die Ergebnisse von xAI zeigten, dass die Software-Methode Regionen hoher Gewebetätigkeit genau identifiziert, die durch warme Farben repräsentiert werden. Die Ergebnisse deuten darauf hin, dass die Leistung von HyperTumorEyenet (Typ 1) genaue und präzise Ergebnisse lieferte und es somit eine ausgezeichnete Option für medizinische Diagnosen darstellt.

HS Analysis ist interoperabel mit Hardware- und Softwaregeräten

Das HSA KIT passt perfekt zu den folgenden Geräten, um an ophthalmologischen Lösungen zu arbeiten.

Die medizinischen Experten, die mit diesem Gerät bei retinalen Diagnoseverfahren arbeiten, erzielen ein einzigartiges Maß an diagnostischer Genauigkeit und liefern Bilder mit klarsten Details. Dadurch wird eine verlässliche Grundlage für erstklassige Behandlungsergebnisse geschaffen.

In Kombination mit HSAs Deep Learning, durch den Einsatz von KI-Algorithmen, die in das Software-Kit des Programms integriert sind, ermöglicht es den medizinischen Fachkräften, effizienter an dem Diagnoseverfahren zu arbeiten und die Endergebnisse schneller und präziser zu erreichen.


Dieses Gerät von ZEISS wurde als umfassende Ultra-Weitwinkel-Funduskamera für Augenärzte entwickelt. Dadurch können Ultra-Weitwinkelbilder in echter Farbe und mit erstklassiger Bildqualität aufgenommen werden. Es bietet die gesamte Palette an Bildgebungsmodalitäten, einschließlich Fluoreszenzangiographie.

Die Ausgabe dieses Geräts kann mithilfe des HSA KIT analysiert werden, um Tumorzellen und abnormales Gewebe schneller mithilfe von Deep-Learning-Algorithmen zu annotieren und hervorzuheben.

Dieses konfokale Scanning-Laser-Ophthalmoskop ist ein Weitfeld-Digitalbildgebungssystem, das Bilder der Netzhaut von der zentralen Stelle bis zur fernen Peripherie aufnehmen kann. Die Retina-Bilder werden automatisch und patientenfreundlich erfasst, ohne Skleraldepression oder Kontakt mit der Hornhaut.

Die von diesen Geräten (Neu, Clarus 700) erfassten Bilder werden mithilfe des HSA KIT gescannt und analysiert, um ein hervorgehobenes und annotiertes Ausgabebild von Tumorzellen zu generieren. Hierbei wird der Clarus 700 verwendet, wenn der Tumor eher im Innenbereich des Auges liegt. Dieses Gerät findet häufiger Verwendung und ruft rötliche Bilder hervor, während der Optos (New) für Augentumore verwendet wird, welche im Außenbereich des Auges lokalisiert sind. Dieses Gerät arbeitet mit grünlichen Bildern.

Der SPECTRALIS® ist eine ophthalmologische Bildgebungsplattform mit einem aufrüstbaren, modularen Design. Diese Plattform ermöglicht es Klinikern, jeden SPECTRALIS entsprechend dem spezifischen diagnostischen Arbeitsablauf in der Praxis oder Klinik zu konfigurieren.

Multimodale Bildgebungsoptionen umfassen: OCT, mehrere Scanning-Laser-Fundus-Bildgebungsmethoden, Weitwinkel- und Ultraweitwinkel-Bildgebung, Scanning-Laser-Angiographie und OCT-Angiographie.

Diese Bilder können dann im HSA KIT verwendet werden, um Tumorzellen genau und in kurzer Zeit hervorzuheben.

OptosAdvance ist eine umfassende Bildverwaltungslösung für die Augenheilkunde. Sie ermöglicht es den Klinikern, Bilder von vielen Augenheilkunde-Diagnosegeräten in ihren Praxen mithilfe einer einzigen branchenüblichen DICOM-Lösung zu überprüfen, zu annotieren, sicher zu überweisen und zu archivieren.

In Kombination mit der KI-Technologie, die im HSA KIT integriert ist, können Gesundheitsfachkräfte beide Programme schnell und effizient nutzen und genaue Ergebnisse erzielen.