EUVIMEDEUVIMED entdecken
MetaanalyseSystematische Übersicht

Performance of Artificial Intelligence in Detecting Diabetic Macular Edema From Fundus Photography and Optical Coherence Tomography Images: A Systematic Review and Meta-analysis

Leistung von künstlicher Intelligenz beim Erkennen eines diabetischen Makulaödems aus Fundusfotografie- und OCT-Bildern: systematische Übersichtsarbeit und Metaanalyse

Ching Lam, Yiu Lun Wong, Ziqi Tang, Xiaoyan Hu, Truong X Nguyen, Dawei Yang, Shuyi Zhang, Jennifer Ding, Simon K H Szeto, An Ran Ran iD, Carol Y Cheung iD

Diabetes Care · 01.02.2024 · 47 (2) · 304-319

DOI: 10.2337/dc23-0993 ↗

Auf einen Blick

53 Studien zeigen eine hohe diagnostische Leistung von KI zum Erkennen eines diabetischen Makulaödems aus Fundusfotografie- oder OCT-Bildern. Die Performance war bei OCT höher als bei Fundusfotografie.

Fragestellung

Wie gut erkennt KI ein diabetisches Makulaödem auf Fundusfotografie- oder OCT-Bildern, und welche Faktoren beeinflussen die Modellleistung?

Methode

Systematische Übersichtsarbeit und Metaanalyse; Suche in sieben elektronischen Bibliotheken bis 12. Februar 2023; Einschluss von Studien zur KI-Erkennung von DME aus FP- oder OCT-Bildern.

Ergebnisse

53 Studien. FP-basierte Algorithmen aus 25 Studien: AUROC 0,964; Sensitivität 92,6 %; Spezifität 91,1 %. OCT-basierte Algorithmen aus 28 Studien: AUROC 0,985; Sensitivität 95,9 %; Spezifität 97,9 %.

Einschränkungen

Analysen waren begrenzt durch unstandardisierte Algorithmus-Endpunkte und unzureichende Daten zu Demografie, OCT-Volumen-Scans und externer Validierung.

Schlussfolgerung der Autor:innen

Die Metaanalyse zeigt eine zufriedenstellende Leistung von KI beim Erkennen von DME aus FP- oder OCT-Bildern. Für die Beurteilung der Generalisierbarkeit sind externe Validierungen erforderlich.

Kernaussagen

  • 53 Studien wurden in die Metaanalyse eingeschlossen.
  • OCT-Algorithmen schnitten besser ab als FP-basierte Algorithmen.
  • Externe Validierung und standardisierte Endpunkte fehlen häufig.

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Metaanalyse in der Zeitschrift Diabetes Care, online erschienen am 19.01.2024. Verfasst von Ching Lam und 10 weiteren Autor:innen. Beteiligte Einrichtung: Department of Ophthalmology and Visual Sciences, The Chinese University of Hong Kong, Hong Kong SAR, China. Hauptthemen laut MEDLINE: Diabetic Retinopathy, Macular Edema, Diabetes Mellitus. Die Arbeit wurde bisher 42-mal zitiert (Crossref) und nennt 39 Literaturangaben.

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

BACKGROUND Diabetic macular edema (DME) is the leading cause of vision loss in people with diabetes. Application of artificial intelligence (AI) in interpreting fundus photography (FP) and optical coherence tomography (OCT) images allows prompt detection and intervention. PURPOSE To evaluate the performance of AI in detecting DME from FP or OCT images and identify potential factors affecting model performances. DATA SOURCES We searched seven electronic libraries up to 12 February 2023. STUDY SELECTION We included studies using AI to detect DME from FP or OCT images. DATA EXTRACTION We extracted study characteristics and performance parameters. DATA SYNTHESIS Fifty-three studies were included in the meta-analysis. FP-based algorithms of 25 studies yielded pooled area under the receiver operating characteristic curve (AUROC), sensitivity, and specificity of 0.964, 92.6%, and 91.1%, respectively. OCT-based algorithms of 28 studies yielded pooled AUROC, sensitivity, and specificity of 0.985, 95.9%, and 97.9%, respectively. Potential factors improving model performance included deep learning techniques, larger size, and more diversity in training data sets. Models demonstrated better performance when validated internally than externally, and those trained with multiple data sets showed better results upon external validation. LIMITATIONS Analyses were limited by unstandardized algorithm outcomes and insufficient data in patient demographics, OCT volumetric scans, and external validation. CONCLUSIONS This meta-analysis demonstrates satisfactory performance of AI in detecting DME from FP or OCT images. External validation is warranted for future studies to evaluate model generalizability. Further investigations may estimate optimal sample size, effect of class balance, patient demographics, and additional benefits of OCT volumetric scans.

Schlagwörter

MeSH-Schlagwörter (MEDLINE)

Diabetic RetinopathyMacular EdemaDiabetes MellitusHumansArtificial IntelligenceTomography, Optical CoherencePhotography

Autor:innen und Institutionen

  • Department of Ophthalmology and Visual Sciences, The Chinese University of Hong Kong, Hong Kong SAR, China.
  • Imperial College London, London, U.K.

ORCID-Profile: An Ran Ran, Carol Y Cheung

Zitieren

APA

Lam, C., Wong, Y. L., Tang, Z., Hu, X., Nguyen, T. X., Yang, D., Zhang, S., Ding, J., Szeto, S. K. H., Ran, A. R., & Cheung, C. Y. (2024). Performance of Artificial Intelligence in Detecting Diabetic Macular Edema From Fundus Photography and Optical Coherence Tomography Images: A Systematic Review and Meta-analysis. Diabetes Care, 47(2), 304-319. https://doi.org/10.2337/dc23-0993

Vancouver

Lam C, Wong YL, Tang Z, Hu X, Nguyen TX, Yang D, et al. Performance of Artificial Intelligence in Detecting Diabetic Macular Edema From Fundus Photography and Optical Coherence Tomography Images: A Systematic Review and Meta-analysis. Diabetes Care. 2024;47(2):304-319. doi:10.2337/dc23-0993

BibTeX
@article{Lam2024,
  author = {Lam, Ching and Wong, Yiu Lun and Tang, Ziqi and Hu, Xiaoyan and Nguyen, Truong X and Yang, Dawei and Zhang, Shuyi and Ding, Jennifer and Szeto, Simon K H and Ran, An Ran and Cheung, Carol Y},
  title = {Performance of Artificial Intelligence in Detecting Diabetic Macular Edema From Fundus Photography and Optical Coherence Tomography Images: A Systematic Review and Meta-analysis},
  journal = {Diabetes Care},
  year = {2024},
  volume = {47},
  number = {2},
  pages = {304--319},
  doi = {10.2337/dc23-0993}
}
Kostenlos starten →