Abstract, übertragene Titelseite und Originalfaksimile

## Deutsche Übersetzung des englischen Abstracts (Original S. 195) ### Einleitung Keratokonus ist eine häufige Erkrankung; ihre frühe Erkennung ist sehr wichtig. Sie erfolgt durch sorgfältige Befundung topographischer Bilder, um zwischen keratokonischen, verdächtigen und normalen Hornhäuten zu unterscheiden. Viele Studien haben versucht, Kriterien und Indikatoren zu finden, die eine Früherkennung unterstützen, wobei die Genauigkeitskennwerte unterschiedlich ausfielen. Die bisherigen Ansätze beruhten jedoch auf einem sehr kleinen Teil der topographischen Informationen. Nach dem qualitativen Sprung in der Informatik, insbesondere auf dem Gebiet der künstlichen Intelligenz und künstlicher neuronaler Netze, sowie dem Aufkommen medizinischer Anwendungen zur Befundung und Analyse medizinischer Bilder war es erforderlich, diese Technik zur Erkennung verdächtiger und keratokonischer Hornhäute zu untersuchen. ### Ziel der Studie Untersuchung der Leistungsfähigkeit von Computer-Vision-Technologien und Deep-Learning-Algorithmen zur Unterscheidung topographischer Kartenbilder normaler, keratokonischer und verdächtiger Hornhäute. ### Material und Methoden Die Studie besteht aus zwei Teilen. Der erste Teil ist eine retrospektive Untersuchung von Patientenakten und Bildern zur Zusammenstellung einer Trainingsstichprobe aus 987 Augen (300 keratokonische, 610 normale und 77 verdächtige Augen). Der zweite Teil ist eine Querschnittsuntersuchung zur Zusammenstellung der Teststichprobe aus 422 Augen (13 keratokonische, 366 normale und 43 verdächtige Augen). Das KI-System besteht aus zehn künstlichen neuronalen Netzen. Jedes Netz ist für die Befundung einer Karte (vordere und hintere tangentiale Karten, vordere und hintere sagittale Karten, vordere und hintere Höhenkarten, vordere, hintere und äquivalente refraktive Karten sowie Dicke) und die Vorhersage der korrekten Klasse zuständig. Die Ausgaben dieser Netze bilden die Eingaben eines abschließenden neuronalen Netzes, das die endgültige Entscheidung des Systems trifft. ### Ergebnisse Das KI-System erreichte in der Testgruppe Genauigkeits- und Gesamtwerte des gewichteten F1-Scores von 92,2 %–91,2 %. Zwischen ihm, der dem SIRIUS-Gerät beiliegenden Software und dem Arzt bestand kein statistisch signifikanter Unterschied (p > 5 %). Der Arzt erzielte mit Unterstützung des KI-Systems im Vergleich zu allen anderen Modellen das beste Ergebnis: 96,2 % Genauigkeit und 95,9 % gewichteter F1-Score; der Unterschied war statistisch signifikant (p < 5 %). ### Schlussfolgerungen Wir empfehlen, das KI-System als Hilfsinstrument für den Arzt bei der Befundung topographischer Karten einzusetzen. **Schlüsselwörter:** Keratokonus; künstliche Intelligenz; Deep Learning; neuronale Netze. ## Übertragene Titelseite (Original S. 196) **Syrische Arabische Republik** **Universität Damaskus** **Fakultät für Humanmedizin** **Abteilung für Augenheilkunde** ### Einsatz von Computer-Vision-Technik und Deep-Learning-Algorithmen zur Differenzierung topographischer Bilder normaler, keratokonischer und verdächtiger Hornhäute Eine Dissertation, eingereicht zur teilweisen Erfüllung der Voraussetzungen für den Doktorgrad (PhD) in Augenheilkunde **Verfasser:** Dr. Mohammad Zafrallah Askar **Betreuerin:** Yosra Haddeh, Professorin für Augenheilkunde an der Medizinischen Fakultät der Universität Damaskus **Mitbetreuer:** Madhat Alsoos, Abteilung für künstliche Intelligenz, Fakultät für Informatik und Informationstechnik, Universität Damaskus **Studienjahr:** 2020–2021

Unverändertes arabisches Originalfaksimile

Das vollständige arabische Original ist in der finalen PDF-Ausgabe als 196-seitiger Faksimile-Anhang enthalten. Die HTML-Seiten sind die deutsche Textausgabe; Karten, Diagramme und Originaltabellen bleiben im Faksimile prüfbar.