Identifying Intraoperative Floppy Iris Syndrome (IFIS) Using AI

Technische Samenvatting: Identificatie van Intraoperatief Floppy Iris Syndroom (IFIS) met behulp van AI

Probleemstelling
Intraoperatief Floppy Iris Syndroom (IFIS) is een conditie die wordt gekenmerkt door een slechte pupildilatatie en een elastische iris die weerstand biedt aan mechanische rek tijdens cataractchirurgie. Dit verhoogt het risico op intraoperatieve complicaties aanzienlijk, waaronder irisletsel, wonddehiscentie, ruptuur van de achterste capsule en vitreusverlies, wat kan leiden tot langdurige visuele beperkingen. Momenteel berust de preoperatieve voorspelling van IFIS primair op klinische risicofactoren, met name het gebruik van alfa-1-antagonist medicatie. Echter, een aanzienlijk deel van de IFIS-gevallen komt voor bij patiënten zonder een geschiedenis van dergelijk medicatiegebruik, en klinische beoordeling alleen kan subtiele anatomische indicatoren missen. Het doel van de studie is om te evalueren of algoritmen voor Kunstmatige Intelligentie (AI) routinematige preoperatieve voorste segment beeldvorming kunnen gebruiken om patiënten die risico lopen op IFIS effectiever te identificeren dan de huidige methoden.

Methodologie
De studie maakte gebruik van een retrospectieve cohort van 2.220 patiënten (3.239 ogen) die tussen april 2016 en november 2022 een cataractoperatie ondergingen in het Rabin Medical Center. De dataset werd verdeeld in trainings- (60%), validatie- (20%) en testsets (20%), waarbij werd gewaarborgd dat afbeeldingen van hetzelfde patiënt-ID niet in verschillende sets voorkwamen om datalekken te voorkomen.

• Data-acquisitie: Preoperatieve beelden werden verkregen met de Tomey OA-2000 optische biometer, die zowel infrarood (IR) beelden als swept-source Optical Coherence Tomography (SS-OCT) beelden vastlegt. De diagnose IFIS werd bevestigd op basis van het chirurgisch verslag waarin de opererende chirurg expliciet de aanwezigheid van het syndroom vermeldde.
• Beeldbewerking: Infraroodbeelden (oorspronkelijk 360×330 grayscale) werden herverkleind naar 224×224 pixels, gecentreerd op de pupil, en omgezet naar RGB-tensoren. Technieken voor data-augmentatie, inclusief horizontale/verticale spiegelingen en "Pizza-Slicing" (het snijden van afbeeldingen in 4 of 8 stukken), werden toegepast op de trainingsset om klassenonbalans aan te pakken.
• Modelarchitecturen:
  • Infrarood Classificatie: Vier Convolutional Neural Network (CNN) architecturen werden geëvalueerd: ConvNeXt-large-224, ResNet-50, EfficientNet-b7 en MobileNet. Alle waren voorgetraind op ImageNet-1K en werden gefinetuned voor 20 epochs.
  • OCT Classificatie: Een ResNet-50 model werd getraind op beelden van het voorste segment via OCT.
  • Anomaliedetectie: Een EfficientAd model (student-teacher architectuur) werd ingezet om IFIS als een anomalie binnen de dataset te detecteren.
  • Ensemble Strategie: Voor OCT-beelden werd meerderheidsstemming (majority voting) toegepast over meerdere beelden van hetzelfde oog om de uiteindelijke classificatie te bepalen.
• Menselijke Baseline: Twee ervaren cataractchirurgen, die geblindeerd waren voor alle klinische data, beoordeelden handmatig een subset van 100 infraroodbeelden om een menselijke prestatiebaseline vast te stellen.
• Statistische Analyse: Prestaties werden geëvalueerd met behulp van de Area Under the Receiver Operating Characteristic Curve (AUC), sensitiviteit, specificiteit en accuratesse. Ook werd multivariate logistische regressie uitgevoerd om klinische variabelen (bijv. gebruik van alfa-1-antagonist, pupilgrootte, diepte van de voorste oogkamer) te correleren met IFIS-voorkomen.

Belangrijkste Resultaten

• Klinische Demografie: De cohort bevatte 243 ogen (7,5%) met bevestigde IFIS. Significante verschillen werden gevonden tussen de IFIS- en niet-IFIS groepen met betrekking tot leeftijd (hoger bij IFIS), gebruik van alfa-1-antagonist (14,3% vs. 4,7%), diepte van de voorste oogkamer (ondiep bij IFIS), lensdikte (breder bij IFIS) en pupilgrootte (kleiner bij IFIS).
• Multivariate Logistische Regressie: Een model gebaseerd op klinische variabelen bereikte een AUC van 70%. Belangrijke voorspellers waren het gebruik van alfa-1-antagonist (OR 1,14), geslacht en pupilgrootte.
• Menselijke Beoordelaars: De twee menselijke chirurgen behaalden respectievelijk AUC's van 55% en 49% bij het beoordelen van infraroodbeelden alleen, wat wijst op een beperkt vermogen om IFIS visueel te voorspellen zonder aanvullende gegevens.
• AI-model Prestaties:
  • Infrarood Classificatie: Het ConvNeXt-large-224 model behaalde de beste prestaties onder de CNN's met een AUC van 65,5%. Andere modellen (EfficientNet-b7, MobileNet, ResNet-50) presteerden lager, met AUC's variërend van 39,8% tot 54,6%. De modellen hadden moeite met de klassenonbalans, wat resulteerde in een lage binaire recall (bijv. 4,26% voor ConvNeXt) ondanks een hoge gewogen recall.
  • OCT Classificatie: Het ResNet-50 model op OCT-beelden behaalde een AUC van 57,8% op individuele beelden, wat verbeterde naar 61,7% wanneer meerderheidsstemming werd toegepast.
  • Anomaliedetectie: Het EfficientAd model behaalde een AUC van 53,3% (53,5% in de resultatensectie), met perfecte recall (100%) maar een lage precisie (26,8%) en accuratesse (26,9%).

Belangrijkste Bijdragen en Betekenis
De studie toont aan dat AI-algoritmen oogartsen kunnen ondersteunen bij het identificeren van patiënten die risico lopen op IFIS met behulp van routinematige preoperatieve beeldvorming, waarbij ze potentieel beter presteren dan ervaren chirurgen wanneer zij uitsluitend vertrouwen op beeldanalyse. Specifiek:

1. Superieur aan Menselijke Visuele Beoordeling: Het beste AI-model (ConvNeXt-large-224) behaalde een AUC van 65,5%, waarmee het de prestaties van de menselijke beoordelaars (49–55%) overtrof bij het voorspellen van IFIS op basis van infraroodbeelden alleen.
2. Integratie van Beeldmodaliteiten: Het onderzoek valideert het nut van zowel infrarood- als OCT-beeldvorming voor deze taak, waarbij de multivariate logistische regressie (klinische data) de hoogste AUC behaalde (70%), wat suggereert dat AI-beeldanalyse de klinische risicofactorbeoordeling aanvult in plaats van vervangt.
3. Aanpak van Klassenonbalans: De studie benadrukt de moeilijkheid van het detecteren van IFIS vanwege de lage prevalentie (~7,5%) en de daaruit voortvloeiende klassenonbalans, wat de precisie en recall van het model ernstig beïnvloedt. De auteurs merken op dat hoewel anomaliedetectie een perfecte sensitiviteit bood, verdere optimalisatie vereist is om de precisie en recall in balans te brengen.

Beperkingen en Toekomstige Richtingen
De auteurs erkennen verschillende beperkingen, waaronder de ongebalanceerde dataset, de variabiliteit in de rapportage van de ernst van IFIS door chirurgen, en het gebruik van grayscale infraroodbeelden die geen kleurinformatie bevatten (zoals iriskleur, die eerder aan IFIS-risico werd gekoppeld). De studie concludeert dat hoewel AI veelbelovend is, aanvullend onderzoek nodig is op andere beeldmodaliteiten en verdere optimalisatie van modellen om de voorspellende nauwkeurigheid en generalisatie te verbeteren voordat klinische implementatie kan plaatsvinden. De studie beweert niet dat AI momenteel de klinische beoordeling kan vervangen, maar dient als een potentieel complementair hulpmiddel voor een veiligere chirurgische planning.