In einer multizentrischen retrospektiven Studie wurden maschinelle Lernverfahren darauf geprüft, wie gut sie das Fortschreiten des Gesichtsfeldes (VF) erkennen, wenn unterschiedliche Kennzeichnungsstrategien zugrunde gelegt werden. Dabei zeigte sich, dass ein inklusives „Consensus“‑Label zu deutlich höheren Leistungswerten führte als ein konservatives „Wiggs’“‑Label.
Datenbasis und Kennzeichnungsansätze
Die Forscher sammelten VF‑Messungen von fünf tertiären Referenzkliniken und nutzten zwei algorithmisch abgeleitete Kennzeichnungen ohne unabhängige klinische Referenz: Das „Consensus“‑Label definiert Progression, wenn mindestens einer von fünf etablierten Algorithmen (mittlere Abweichungs‑Slope, Visual Field Index‑Slope, AGIS, CIGTS, punktweise lineare Regression) ein Fortschreiten meldet. Das „Wiggs’“‑Label beruht auf einer region‑basierten Ereignis‑Schwellenregel, die einen strengeren Fortschrittsnachweis verlangt.
Maschinelle Lernklassifikatoren
Vier Klassifikatoren – Support‑Vector‑Machine, Random‑Forest, logistische Regression und Extreme‑Gradient‑Boosting – wurden jeweils mit den beiden Kennzeichnungsstrategien trainiert. Die Bewertung erfolgte anhand der Fläche unter der ROC‑Kurve (AUC), Sensitivität, Spezifität sowie der durchschnittlichen Präzision (AP) im Precision‑Recall‑Diagramm.
Ergebnisse für das Consensus‑Label
Alle Modelle erreichten beim Consensus‑Label exzellente Diskriminierung (AUC 0,92–0,95), hohe Sensitivität (0,82–0,85) und nahezu perfekte Spezifität (0,99–1,00). Die AP‑Werte lagen zwischen 0,93 und 0,94, was auf eine zuverlässige Fortschrittsdetektion hinweist.
Ergebnisse für das Wiggs’‑Label
Mit dem Wiggs’‑Label fielen die AUC‑Werte etwas niedriger (0,88–0,89) und die Sensitivität reduzierte sich auf 0,63–0,72, während die Spezifität im Bereich von 0,87–0,92 verblieb. Die AP‑Werte lagen zwischen 0,84 und 0,85, was die konservativere Definition des Fortschritts widerspiegelt.
Analyse der Einflussfaktoren
Eine Ablationsanalyse ergab, dass die überlegene Performance des Consensus‑Labels nicht auf ein einzelnes Kriterium zurückzuführen ist, sondern auf die komplementären Informationen aller fünf Algorithmen. Die Ergebnisse verdeutlichen, dass die Wahl der Kennzeichnung den größten Einfluss auf die Modellleistung hat, nicht jedoch zwingend die klinische Gültigkeit einer der beiden Definitionen.
Schlussfolgerungen und Ausblick
Die Studie unterstreicht, dass bei der Entwicklung von ML‑basierten Systemen zur Erkennung von VF‑Progression die Definition des „Ground Truth“ entscheidend ist. Forscher sollten die Kennzeichnungsstrategie bewusst wählen und ihre Ergebnisse im Kontext dieser Wahl interpretieren.
Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.
Ende der Uebertragung