Fuzzy Bibliothek/Technische Anwendungen/Erkennung von Glaukomen

Einsatz eines Neuro-Fuzzy-Klassifikators beim Glaukommonitoring

Gudrun Zahlmann, Matthias Scherf, GSF, Forschungszentrum für Umwelt und Gesundheit, Ingolstädter Landstr. 1, 85764 Neuherberg, Tel.: +49-89-3187-2347, Fax: +49-89-3187-3370, e-mail: zahlmann@gsf.de

Aharon Wegner, Augenklinik rechts der Isar, Technische Universität München, Ismaninger Str. 22, 81675 München

Das Monitoring pathologischer, glaukombedingter Veränderungen am Auge eines Patienten erfordert zum einen die differentialdiagnostische Entscheidung, ob aktuelle, ophtalmologisch erhobene Daten einen kritischen oder suspekten Zustand indizieren und zum anderen die Erkennung von Zustandsveränderungen im zeitlichen Verlauf der Daten.

Die vorliegende Veröffentlichung beschreibt unseren Ansatz zur Entscheidungsunterstützung bei der Differentialdiagnostik. Die Entscheidung, welcher Zustand am Patientenauge vorliegt, wird durch einen neuro-fuzzy- Klassifikator getroffen. Der neuronale Anteil des Klassifikators ist durch ein RBF-Netz realisiert, das zur Klassifikation von Perimetrien eingesetzt wird. Seine Klassifikationsergebnisse gehen zusammen mit allen weiteren relevanten Patientendaten in ein Fuzzy Regelwerk ein, das die finale Entscheidung hervorbringt.

1. Einleitung

Das Glaukom ist eine der hauptverantwortlichen Ursachen für Erblindung in den westlichen Industriestaaten [1]. Die frühzeitige Erkennung glaukomatös bedingter Veränderungen am Auge eines Patienten ist daher von essentieller Bedeutung. Durch den Einsatz entscheidungsunterstützender Systeme wie „intelligente Monitore" bei niedergelassenen Augenärzten kann ein entscheidender Beitrag zum erreichen dieser Zielsetzung geleistet werden. Die Hauptfunktion des hier beschriebenen Monitors ist mit einem Wachhund zu vergleichen, der nur dann Alarm schlägt, wenn kritische oder suspekte Zustände entdeckt werden und sonst „schläft". Voraussetzung hierfür ist die Fähigkeit zur Beurteilung und Klassifikation neuer Datensätze. Zwei unterschiedliche Arten der Klassifikation sind erforderlich. Zum einen die Differentialdiagnosik und zum anderen die Bewertung zeitliche bedingter Veränderungen. Hier werden die Klassifikationsmethoden für die differentialdiagnostische Entscheidung beschrieben.

2. Eingabedaten

Die Entscheidung medizinischer Experten hinsichtlich glaukomatös bedingter Veränderungen am Auge eines Patienten basiert auf folgenden Daten:

• direkt meßbare Daten
• geschätzte Daten
• mehr oder weniger unstrukturierte, verbale Beschreibungen

Zu den direkt meßbaren Daten zählen zum einen der Augeninnendruck (IOP), der in einer Maßeinheit für den Druck als reelle Zahl erfaßt wird (oder eine Menge von Daten verschiedener IOP - Werte als Tagesverlauf) sowie Perimetriedaten. Letztere beschreiben den Zustand des Gesichtsfeldes eines Patienten und werden über spezielle Geräte (Perimeter) erfaßt, die den Verlust von Lichtempfindlichkeit an verschiedenen Stellen der Retina messen. Die Anzahl der gemessenen Punkte, sowie ihre Position hängt von dem jeweils eingesetzten Perimeter ab. Bei der Perimetrie fixiert der Patient mit einem Auge den Mittelpunkt einer beleuchteten Halbkugel, in der jeweils an verschiedenen Stellen Lichtblitze unterschiedlicher Intensität präsentiert werden. Die Wahrnehmung eines Lichtblitzes bestätigt der Patient durch die Betätigung eines Schalters. Gemäß dieses Vorgehens ist die Perimetrie als subjektive Untersuchungsmethode einzustufen.

Ein weiterer Eingabewert für den Entscheidungsprozeß sind Beschreibungen der Papille. Diese werden in erster Linie durch Betrachtung während der Untersuchung und der Schätzung verschiedener Parameter wie der „cup-disk-ratio" (CDR), den Ort der Exkavation oder den Vergleich der CDR’s des linken und rechten Auges erfaßt. Die CDR, sowie die rechts-links-Differenz werden durch reelle, geschätzte Zahlen angegeben, während die Lage der Exkavation verbal durch „zentral, oben, unten" beschrieben wird. Die CDR’s und die Unterschiede werden durch den Experten im Bezug auf die Klassifikation in eine Metaebene umgesetzt, indem sie als „normal", „erhöht", etc. eingestuft werden.

Die dritte Informationsquelle stellt die Aussage des Patienten selbst dar, die zumeist verbal und unstrukturiert vorliegt, jedoch verwertbare Information wie z.B. den Zustand zum Zeitpunkt des Augenarztbesuchs sowie Zustandsveränderungen beinhaltet.

Ausgehend von diesen Daten hat der Augenarzt zu entscheiden, ob diese und die zugehörigen Untersuchungsergebnisse (Abbildung auf die Entscheidungsebene - Situationsbeschreibung auf der Wissensebene [2]) dem Krankheitsbild „Glaukom" zugeordnet werden können und welche Maßnahmen zur Behandlung erforderlich sind. Maßnahmen können beispielsweise die Entscheidung hinsichtlich der Verkürzung oder Verlängerung des Untersuchungsintervalls bezüglich der Folgeuntersuchung, Verordnung von bestimmten Medikamenten oder die Durchführung einer Operation (abhängig vom Glaukomtyp wie z.B. Weitwinkelglaukom etc.) sein. Unser Ziel ist die Nachbildung des Entscheidungsprozesses, die letztendlich als Entscheidungsunterstützung für den Augenarzt dient. Die endgültige Entscheidung verbleibt beim Arzt.

Abbildung 1: Entscheidungsbaum und NN Klassifikator

Die Datenquellen sowie die Datencharakteristik waren ausschlaggebend für die Entscheidung, neuronale Netze und Fuzzy Regeln als Methoden für die Klassifikation einzusetzen.

3. Neuronale Netze

Aufgrund der Tatsache, daß die formale Spezifikation von Regeln zur Klassifikation von Perimetriedaten äußerst schwierig ist, haben wir uns für den Einsatz neuronaler Netze (NN) für die Klassifikation entschieden. Der Aufbau des Klassifikators basiert auf einem Entscheidungsbaum, der in Abbildung 1, linke Seite dargestellt ist. Durch diesen Ansatz werden mehrere hierarchische Entscheidungsebenen von groben Entscheidungen wie „normal vs. pathologisch" hin zu verfeinerten Entscheidungen wie „fraglich glaukomatös vs. sicher glaukomatös" eingeführt. Jede Hierarchie wird durch ein eigenes neuronales Netz modelliert. Ein Perimetriedatensatz wird von allen neuronalen Netzen der Hierarchie klassifiziert. Die Klassifikationsergebnisse werden dabei im Zusammenhang mit der Position des neuronalen Netzes innerhalb der Klassifikationshierarchie interpretiert. Falls beispielsweise NN 2 als Ergebnis liefert, daß die Eingabe als ‘normal’ einzustufen ist, werden die Ergebnisse des neuronalen Netzes NN 3 stärker gewertet als die der neuronalen Netze NN 4, NN 5 oder NN 6. Diese Art der Interpretation ist durch den Einsatz von RBF-Netzen möglich, die zusammenhängende Bereiche des Eingaberaums kodieren. Weiterhin werden Eingaberäume mit beispielsweise ausschließlich glaukomatösen Fällen gesondert betrachtet.

Die neuronalen Netze wurden mit 2/3 der zur Verfügung stehenden, vorklassifizierten Daten trainiert und anhand von 1/3 der Daten getestet und evaluiert. Tabelle 1 gibt einen Überblick über die Ergebnisse.

Tabelle 1: Ergebnisse der spezialisierten neuronalen Netze

4. Fuzzy Regeln

Die Gesamtentscheidung hinsichtlich der Differentialdiagnose resultiert aus einem Fuzzy Regelwerk. Die Hauptstruktur ist in Abbildung 2 gezeigt. CDR, IOP und die links-rechts Differenzwerte werden direkt als reellwertige Zahlen eingegeben und durch „membership-Funktionen" (MBF), die durch den medizinischen Experten in Zusammenarbeit mit dem Designer des Fuzzy Regelwerkes entwickelt wurden fuzzyfiziert.Die erste Regelebene kombiniert diese Variablen durch den Einsatz von min-max Entscheidungsregeln um die Ausgabevariablen der ersten Ebene zu erhalten. Dies sind der erhöhte Augeninnendruck, das normotensive Glaukom sowie alle anderen Arten von Glaukom. Das Ergebnis wird als Zugehörigkeitswert der Variablen „ja" und „nein" ausgewiesen.Diese vorläufigen Ergebnisse werden als Ausgabe, sowie als Eingabe für die nächste Regelebene verwendet. Die zweite Regelebene erhält zusätzliche Eingabewerte von den Klassifikationsergebnissen der Perimetriedaten. Wie in Abbildung 1 gezeigt, kann dieser Schritt entweder durch den medizinischen Experten oder den neuronalen Netz-Klassifikator erfolgen. Wir verwenden die letztgenannte Variante.

Abbildung 2: Zentrale Struktur des Fuzzy-Regelwerks

Die Klassifikation der Perimetriedaten hinsichtlich aller Hierarchieebenen wird als Eingabe verwendet. Die Ideen wurden mit der Software fuzzyTECH umgesetzt. Die finale Entscheidung wird zu Situationsklassen wie „glaukomatöse Veränderung", „Suspekte glaukomatöse Veränderung", „pathologische, aber scheinbar nicht glaukomatöse Veränderung" oder „normal" zusammengefaßt.

Die finale Entscheidung wird dem Benutzer als Nachricht mit einer kurzen Beschreibung und der Möglichkeit, weitere Information durch das Absetzen einer Anfrage an das wissensbasierte Informationssystem zu erhalten [4] zugänglich gemacht.

5. Diskussion

Die Kombination automatischer Klassifikation durch hierarchisch angeordnete neuronale Netze und Fuzzy Regeln auf verschiedenen Ebenen wurde auf einen Testdatensatz angewendet. Dieser wurde während der letzten augenärztlichen Untersuchungen von 30 Patienten, deren Krankheitsgeschichte dem Monitor in ihrem Verlauf bekannt war erhoben. Die Klassifikation zur Unterstützung der Differentialdiagnose lieferte für den Anwender gute Ergebnisse aufgrund der Fuzzy-Strategie und dem Trend, selbst geringe Zugehörigkeitswerte für jede Perimetrie-Klasse in Verbindung mit dem Grad der Unterstützung für die Regeln zu addieren [5]. Fortlaufende Entwicklungen beinhalten den Test des oben beschriebenen Ansatzes mit größeren Datensätzen und die Implementierung von Zeitabhängigkeiten bezüglich der Situationsklassen.

Danksagung

Diese Arbeit ist Teil des OPHTEL Projektes, das von der europäischen Gemeinschaft innerhalb der „Telematics Application Programme" gefördert wird.

Literatur