Purpose: Microbial keratitis is an urgent condition in ophthalmology that requires prompt treatment. This study aimed to apply deep learning algorithms for rapidly discriminating between fungal keratitis (FK) and bacterial keratitis (BK). Methods: A total of 2167 anterior segment images retrospectively acquired from 194 patients with 128 patients with BK (1388 images, 64.1%) and 66 patients with FK (779 images, 35.9%) were used to develop the model. The images were split into training, validation, and test sets. Three convolutional neural networks consisting of VGG19, ResNet50, and DenseNet121 were trained to classify images. Performance of each model was evaluated using precision (positive predictive value), sensitivity (recall), F1 score (test's accuracy), and area under the precision-recall curve (AUPRC). Ensemble learning was then applied to improve classification performance. Results: The classification performance in F1 score (95% confident interval) of VGG19, DenseNet121, and RestNet50 was 0.78 (0.72-0.84), 0.71 (0.64-0.78), and 0.68 (0.61-0.75), respectively. VGG19 also demonstrated the highest AUPRC of 0.86 followed by RestNet50 (0.73) and DenseNet (0.60). The ensemble learning could improve performance with the sensitivity and F1 score of 0.77 (0.81-0.83) and 0.83 (0.77-0.89) with an AUPRC of 0.904. Conclusions: Convolutional neural network with ensemble learning showed the best performance in discriminating FK from BK compared with single architecture models. Our model can potentially be considered as an adjunctive tool for providing rapid provisional diagnosis in patients with microbial keratitis.

Keywords:
deep learning, microbial keratitis, convolutional neural network

Abstract aus Ghosh AK, Thammasudjarit R, Jongkhajornpong P, Attia J, Thakkinstian A: Deep Learning for Discrimination Between Fungal Keratitis and Bacterial Keratitis: DeepKeratitis. Cornea. 2022;41(5):616–622.

graphic

Hintergrund

Von den relativ einfach zu behandelnden bakteriellen Hornhautentzündungen gilt es die Keratitiden abzugrenzen, die durch Viren, Akanthamöben oder Pilze verursacht werden. Gerade Pilzkeratitiden zeichnen sich durch einen langwierigen Verlauf aus und die medikamentöse Therapie unterscheidet sich komplett von der bei bakteriellen Keratitiden. Es kommen Antimykotika zum Einsatz und Steroide müssen deutlich zurückhaltender als bei bakteriellen Infektionen eingesetzt werden. Der Nachweis von Pilzen ist schwierig und gelingt trotz Kultur, molekularbiologischer und/oder histologischer Diagnostik nicht immer. In Gegenden, in denen der Zugang zu spezialisierten Zentren nicht gegeben ist, ist das Risiko von Fehldiagnosen bei Pilzkeratitiden erhöht. Erschwerend kommt hinzu, dass es zwar klinische Zeichen gibt, die auf eine Pilzkeratitis hindeuten (Satellitenherde im Randbereich von Ulzerationen, pyramidenförmiges Hypopyon, geschlossenes Epithel über dem Infiltrat), die aber nicht immer vorhanden und auch nicht beweisend sind. Eine Verwechslung mit bakteriellen Keratitiden ist häufig. Umso wünschenswerter wären weitere diagnostische Hilfsmittel für die Unterscheidung der bakteriellen von der Pilzkeratitis.

Allein anhand von Fotoaufnahmen eine solche Unterscheidung vornehmen zu können, hätte den großen Vorteil, auch in abgelegenen Gegenden ohne Zugang zur erweiterten Diagnostik zielgerichtete Therapien einleiten zu können.

Ergebnisse der Studie

Der Artikel von Ghosh und Koautor*innen untersucht die Möglichkeit einer automatisierten Fotodiagnose über drei unterschiedliche vortrainierte Netzwerke, die anhand eines Sets an Bildern von bakterieller und mykotischer Keratitis trainiert wurden. Danach fand eine Validierung und schließlich eine Testung an separaten Bildsätzen statt. Output des Algorithmus nach Bildanalyse der Validierungs- und Testbilder war entweder bakterielle oder mykotische Keratitis. Immerhin konnten mit dem besten Algorithmus eine Präzision (positiver prädiktiver Wert) von 88% und eine Sensitivität von 70% erreicht werden. Solche Werte alleine reichen für eine Therapieentscheidung nicht aus, können die klinische Einschätzung aber ggf. stützen. Jedenfalls bietet diese automatisierte Auswertung einen spannenden Ansatz, der gerade in entlegeneren Gebieten sehr wertvoll wäre. Es bleibt abzuwarten, ob mit größeren Trainingsdatensätzen und erweiterter Bildgebung diese Werte noch verbessert werden können. Einschränkend müssen bei dieser Studie die unscharfen Einschlusskriterien bemängelt werden, die die Zuordnung der Bilder zu den beiden Gruppen auch alleine anhand des klinischen Ansprechens auf eine Therapie erlaubten.

Fazit für die Praxis

Noch reicht die Effektivität von Deep-Learning-Algorithmen für die Unterscheidung der mykotischen von der bakteriellen Keratitis anhand von Bildern nicht aus, um sie in der klinischen Routine sinnvoll einsetzen zu können. Diese Möglichkeit zukünftig aber nutzen zu können, klingt sehr verlockend und sie könnte in vielen Gegenden sehr sinnvoll eingesetzt werden.

Kein Interessenskonflikt.

© 2022 S. Karger GmbH, Freiburg
2022
Copyright / Drug Dosage / Disclaimer
Copyright: All rights reserved. No part of this publication may be translated into other languages, reproduced or utilized in any form or by any means, electronic or mechanical, including photocopying, recording, microcopying, or by any information storage and retrieval system, without permission in writing from the publisher.
Drug Dosage: The authors and the publisher have exerted every effort to ensure that drug selection and dosage set forth in this text are in accord with current recommendations and practice at the time of publication. However, in view of ongoing research, changes in government regulations, and the constant flow of information relating to drug therapy and drug reactions, the reader is urged to check the package insert for each drug for any changes in indications and dosage and for added warnings and precautions. This is particularly important when the recommended agent is a new and/or infrequently employed drug.
Disclaimer: The statements, opinions and data contained in this publication are solely those of the individual authors and contributors and not of the publishers and the editor(s). The appearance of advertisements or/and product references in the publication is not a warranty, endorsement, or approval of the products or services advertised or of their effectiveness, quality or safety. The publisher and the editor(s) disclaim responsibility for any injury to persons or property resulting from any ideas, methods, instructions or products referred to in the content or advertisements.