Identifying Intraoperative Floppy Iris Syndrome (IFIS) Using AI

Technisches Resümee: Identifizierung des intraoperativen Floppy-Iris-Syndroms (IFIS) mittels KI

Problemstellung
Das intraoperative Floppy-Iris-Syndrom (IFIS) ist ein Zustand, der durch eine mangelhafte Pupillendilatation und eine elastische Iris gekennzeichnet ist, die mechanischem Dehnen während der Kataraktoperation widersteht. Dies erhöht signifikant das Risiko für intraoperative Komplikationen, einschließlich Irisverletzungen, Wunddehiscenz, Hinterkapselruptur und Vitreusverlust, was zu langfristigen Sehbehinderungen führen kann. Derzeit basiert die präoperative Vorhersage von IFIS primprimär auf klinischen Risikofaktoren, insbesondere auf der Anwendung von Alpha-1-Antagonisten. Dennoch tritt ein erheblicher Teil der IFIS-Fälle bei Patienten ohne eine entsprechende Medikation auf, und die klinische Beurteilung allein kann subtile anatomische Indikatoren übersehen. Die Studie untersucht, ob Algorithmen der Künstlichen Intelligenz (KI) routinemäßige präoperative Bildgebungsverfahren des vorderen Augensegments nutzen können, um Patienten mit IFIS-Risiko effektiver als bisherige Methoden zu identifizieren.

Methodik
Die Studie nutzte eine retrospektive Kohorte von 2.220 Patienten (3.239 Augen), die zwischen April 2016 und November 2022 eine Kataraktoperation im Rabin Medical Center erhielten. Der Datensatz wurde in Trainings- (60 %), Validierungs- (20 %) und Testsets (20 %) aufgeteilt, wobei sichergestellt wurde, dass Bilder derselben Patienten-ID nicht in verschiedenen Sets auftauchen, um Data Leakage zu vermeiden.

• Datenerfassung: Präoperative Bilder wurden mit dem Tomey OA-2000 optischen Biometer erfasst, welches sowohl Infrarot- (IR) Bilder als auch Swept-Source-Optische-Kohärenztomografie-Bilder (SS-OCT) aufnimmt. Die IFIS-Diagnose wurde basierend auf dem Operationsbericht bestätigt, in dem der operierende Chirurg das Vorhandensein des Syndroms explizit vermerkte.
• Bildverarbeitung: Die Infrarotbilder (ursprünglich 360×330 Graustufen) wurden auf 224×224 Pixel skaliert, auf die Pupille zentriert und in RGB-Tensoren konvertiert. Techniken der Datenaugmentation, einschließlich horizontaler/vertikaler Spiegelungen und „Pizza-Slicing“ (Schneiden der Bilder in 4 oder 8 Segmente), wurden auf den Trainingssatz angewendet, um das Klassenungleichgewicht auszugleichen.
• Modellarchitekturen:
  • Infrarot-Klassifizierung: Vier Architekturen von Convolutional Neural Networks (CNN) wurden evaluiert: ConvNeXt-large-224, ResNet-50, EfficientNet-b7 und MobileNet. Alle waren auf ImageNet-1K vortrainiert und wurden für 20 Epochen feinjustiert.
  • OCT-Klassifizierung: Ein ResNet-50 Modell wurde auf SS-OCT-Bilder des vorderen Augensegments trainiert.
  • Anomalieerkennung: Ein EfficientAd-Modell (Student-Teacher-Architektur) wurde eingesetzt, um IFIS als Anomalie innerhalb des Datensatzes zu detektieren.
  • Ensemble-Strategie: Für OCT-Bilder wurde eine Mehrheitsentscheidung (Majority Voting) über mehrere Bilder desselben Auges angewandt, um die endgültige Klassifizierung zu bestimmen.
• Human Baseline: Zwei erfahrene Kataraktchirurgen, die gegenüber allen klinischen Daten maskiert waren, beurteilten manuell eine Teilmenge von 100 Infrarotbildern, um eine menschliche Leistungsbasis zu etablieren.
• Statistische Analyse: Die Leistung wurde mittels der Area Under the Receiver Operating Characteristic Curve (AUC), Sensitivität, Spezifität und Genauigkeit bewertet. Eine multivariate logistische Regression wurde durchgeführt, um klinische Variablen (z. B. Alpha-1-Antagonist-Einnahme, Pupillengröße, Vorderkammertiefe) mit dem Auftreten von IFIS zu korrelieren.

Wichtigste Ergebnisse

• Klinische Demografie: Die Kohorte enthielt 243 Augen (7,5 %), bei denen IFIS bestätigt wurde. Es wurden signifikante Unterschiede zwischen der IFIS- und der Nicht-IFIS-Gruppe hinsichtlich des Alters (höher bei IFIS), der Alpha-1-Antagonist-Einnahme (14,3 % vs. 4,7 %), der Vorderkammertiefe (flacher bei IFIS), der Linsendicke (breiter bei IFIS) und der Pupillengröße (kleiner bei IFIS) gefunden.
• Multivariate logistische Regression: Ein Modell basierend auf klinischen Variablen erreichte eine AUC von 70 %. Zu den Schlüsselprädiktoren gehörten die Alpha-1-Antagonist-Einnahme (OR 1,14), das Geschlecht und die Pupillengröße.
• Menschliche Beurteiler: Die zwei menschlichen Chirurgen erreichten AUCs von 55 % bzw. 49 %, als sie ausschließlich Infrarotbilder bewerteten, was auf eine begrenzte Fähigkeit hindeutet, IFIS ohne zusätzliche Daten visuell vorherzusagen.
• KI-Modellleistung:
  • Infrarot-Klassifizierung: Das ConvNeXt-large-224 Modell erzielte mit einer AUC von 65,5 % die beste Leistung unter den CNNs. Andere Modelle (EfficientNet-b7, MobileNet, ResNet-50) schnitten schlechter ab, mit AUC-Werten zwischen 39,8 % und 54,6 %. Die Modelle hatten Schwierigkeiten mit dem Klassenungleichgewicht und zeigten eine niedrige binäre Recall-Rate (z. B. 4,26 % für ConvNeXt) trotz hoher gewichteter Recall-Werte.
  • OCT-Klassifizierung: Das ResNet-50 Modell auf OCT-Bildern erreichte eine AUC von 57,8 % auf Einzelbildebene, was sich verbesserte auf 61,7 %, wenn eine Mehrheitsentscheidung angewandt wurde.
  • Anomalieerkennung: Das EfficientAd-Modell erreichte eine AUC von 53,3 % (53,5 % im Ergebnisteil), mit einem perfekten Recall (100 %), aber einer niedrigen Präzision (26,8 %) und Genauigkeit (26,9 %).

Zentrale Beiträge und Bedeutung
Die Studie zeigt, dass KI-Algorithmen Augenärzte dabei unterstützen können, Patienten mit IFIS-Risiko mittels routinemäßiger präoperativer Bildgebung zu identifizieren, wobei sie erfahrene Chirurgen bei der reinen Bildanalyse potenziell übertreffen:

1. Überlegenheit gegenüber der menschlichen visuellen Beurteilung: Das beste KI-Modell (ConvNeXt-large-224) erreichte eine AUC von 65,5 % und übertraf damit die Leistung der menschlichen Beurteiler (49–55 %) bei der Vorhersage von IFIS allein anhand von Infrarotbildern.
2. Integration von Bildgebungsmodalitäten: Die Forschung validiert die Nützlichkeit sowohl von Infrarot- als auch von OCT-Bildgebung für diese Aufgabe, wobei die multivariate logistische Regression (klinische Daten) die höchste AUC von 70 % erreichte. Dies deutet darauf hin, dass die KI-Bildanalyse die Bewertung klinischer Risikofaktoren ergänzt, statt sie zu ersetzen.
3. Adressierung des Klassenungleichgewichts: Die Studie hebt die Schwierigkeit hervor, IFIS aufgrund seiner geringen Prävalenz (~7,5 %) und des daraus resultierenden Klassenungleichgewichts zu detektieren, was die Präzision und den Recall der Modelle massiv beeinflusst. Die Autoren merken an, dass die Anomalieerkennung zwar eine perfekte Sensitivität bot, jedoch eine weitere Optimierung benötigte, um die Präzision auszubalancieren.

Limitierungen und zukünftige Richtungen
Die Autoren räumen mehrere Einschränkungen ein, darunter den unausgewogenen Datensatz, die Variabilität in der Berichterstattung der Chirurgen über die Schwere des IFIS sowie die Verwendung von Graustufen-Infrarotbildern, denen Farbinformationen (wie die Irisfarbe, die zuvor mit dem IFIS-Risiko in Verbindung gebracht wurde) fehlen. Die Arbeit kommt zu dem Schluss, dass KI zwar vielversprechend ist, jedoch weitere Forschung zu anderen Bildgebungsverfahren und eine weitere Modelloptimierung erforderlich sind, um die Vorhersagegenauigkeit und Generalisierbarkeit vor der klinischen Implementierung zu verbessern. Die Studie behauptet nicht, dass KI die klinische Urteilskraft derzeit ersetzen kann, sondern dient vielmehr als potenzielles ergänzendes Werkzeug für eine sicherere chirurgische Planung.