Artificial Neural Network Application in Ophthalmology

Cílem této disertační práce je zhodnotit potenciál algoritmů strojového učení pro zpřesnění výpočtů optické mohutnosti nitrooční čočky v klinickém provozu. Aktuální metody výpočtu optické mohutnosti nitrooční čočky nabízejí omezenou přesnost a zejména u očí s neobvyklými biometrickými parametry může přesnost ještě klesnout. V případě nesprávně vypočtené nitrooční čočky při kataraktovém nebo refrakčním chirurgickém zákroku existuje riziko nutnosti opětovné operace nebo další refrakční korekce. To může potenciálně vyvolat komplikace a nepohodlí pro pacienta. Pomocí procesu vytěžování dat (data mining) z database informačního systému Oční kliniky Gemini byl získán soubor dat obsahující informace o 2194 očích. Tento soubor dat byl optimalizován a rozdělen do “Selection setu” (používaného při návrhu modelů a tréninku) a “Verification setu” (použitého při hodnocení). Byla vyhodnocena sada středních chyb předpovědi a distribuce předpovězené refrakční chyby u všech modelů a pro skutečné klinické výsledky. V porovnání s metodou, která se v současné době používá v klinickém prostředí, většina modelů strojového učení dosáhla výrazně lepších výsledků ve výpočtech nitrooční čočky, a proto existuje silný potenciál ke zlepšení klinických refrakčních výsledků katarakty. Toto tvrzení je podpořeno prospektivními výsledky dosaženými pomocí modelu CS2_radbas, který byl vybrán pro prospektivní testování. Ve srovnání s klinickými výsledky a přesností kalkulací prezentovanou v nejmodernější literatuře došlo k rapidnímu zlepšení ve všech sledovaných kategoriích chyb.The aim of this Ph.D. thesis is to evaluate the potential of machine learning algorithms as an intraocular lens power calculation improvement for clinical workflow. Current intraocular lens power calculation methods offer limited accuracy, and in eyes with an unusual ocular dimension, the accuracy may decrease. In the case where the power of the intraocular lens used in cataract or refractive lens exchange surgery is improperly calculated, there is a risk of re-operation or further refractive correction. This may potentially induce complications and discomfort to the patient. A dataset containing information about 2194 eyes was obtained using a data mining process from the Electronic Health Record system database of the Gemini Eye Clinic. The dataset was optimized and split into a Selection set (used in the design of models and training), and a Verification set (used in the evaluation). A set of prediction errors and a distribution of predicted refractive errors were evaluated for all models and clinical results. In retrospective comparison to the method currently used in a clinical setting, most of the machine learning models have achieved significantly better results in intraocular lens calculations, and therefore, there is a strong potential for improved clinical cataract refractive outcomes. This statement is supported by the prospective results achieved using the CS2_radbas model which was selected for prospective evaluation. Rapid improvement occurred in all monitored error categories when compared to the clinical results and to the accuracy presented in the state-of-the-art literature