Comparison of veterinarians and a deep learning tool in the diagnosis of equine ophthalmic diseases.

Abstract: The aim was to compare ophthalmic diagnoses made by veterinarians to a deep learning (artificial intelligence) software tool which was developed to aid in the diagnosis of equine ophthalmic diseases. As equine ophthalmology is a very specialised field in equine medicine, the tool may be able to help in diagnosing equine ophthalmic emergencies such as uveitis. Methods: In silico tool development and assessment of diagnostic performance. Methods: A deep learning tool which was developed and trained for classification of equine ophthalmic diseases was tested with 40 photographs displaying various equine ophthalmic diseases. The same data set was shown to different groups of veterinarians (equine, small animal, mixed practice, other) using an opinion poll to compare the results and evaluate the performance of the programme. Convolutional Neural Networks (CNN) were trained on 2346 photographs of equine eyes, which were augmented to 9384 images. Two hundred and sixty-one separate unmodified images were used to evaluate the trained network. The trained deep learning tool was used on 40 photographs of equine eyes (10 healthy, 12 uveitis, 18 other diseases). An opinion poll was used to evaluate the diagnostic performance of 148 veterinarians in comparison to the software tool. Results: The probability for the correct answer was 93% for the AI programme. Equine veterinarians answered correctly in 76%, whereas other veterinarians reached 67% probability for the correct diagnosis. Conclusions: Diagnosis was solely based on images of equine eyes without the possibility to evaluate the inner eye. Conclusions: The deep learning tool proved to be at least equivalent to veterinarians in assessing ophthalmic diseases in photographs. We therefore conclude that the software tool may be useful in detecting potential emergency cases. In this context, blindness in horses may be prevented as the horse can receive accurate treatment or can be sent to an equine hospital. Furthermore, the tool gives less experienced veterinarians the opportunity to differentiate between uveitis and other ocular anterior segment disease and to support them in their decision-making regarding treatment. Unassigned: Ziel der Studie war es, die von Tierärzten/‐ärztinnen gestellten ophthalmologischen Diagnosen mit einem Deep Learning (künstliche Intelligenz) Software‐Tool zu vergleichen, das zur Unterstützung der Diagnose von ophthalmologischen Erkrankungen bei Pferden entwickelt wurde. Da die Pferdeophthalmologie ein sehr spezialisiertes Gebiet der Pferdemedizin ist, könnte das Tool bei der Diagnose von ophthalmologischen Notfällen bei Pferden, wie beispielsweise Uveitis, helfen. Methods: Das Deep‐Learning‐Tool, das für die Klassifizierung von Augenkrankheiten bei Pferden entwickelt und trainiert wurde, wurde mit 40 Bildern getestet, die verschiedene Augenkrankheiten bei Pferden zeigen. Derselbe Datensatz wurde verschiedenen Gruppen von Tierärzten/‐ärztinnen (Pferde‐, Kleintier‐, Gemischtpraxis, andere) mittels einer Meinungsumfrage vorgelegt, um die Ergebnisse zu vergleichen und die Leistung des Programms zu bewerten. Methods: Convolutional Neural Networks (CNN) wurden mit 2346 Bildern von Pferdeaugen trainiert, die auf 9384 Bilder erweitert wurden. Zur Bewertung des trainierten Netzes wurden 261 separate, nicht modifizierte Bilder verwendet. Das trainierte Deep‐Learning‐Tool wurde auf 40 Bilder von Pferdeaugen (10 gesunde, 12 Uveitis, 18 andere Krankheiten) angewendet. Anhand einer Meinungsumfrage wurde die diagnostische Leistung von 148 Tierärzten/‐ärztinnen im Vergleich zum Software‐Tool bewertet. Unassigned: Die Wahrscheinlichkeit für die richtige Antwort lag bei 93% für das KI‐Programm. Pferdetierärzte/‐tierärztinnen antworteten zu 76% richtig, während andere Tierärzte/‐ärztinnen eine Wahrscheinlichkeit von 67% für die richtige Diagnose erreichten. HAUPTEINSCHRÄNKUNGEN: Die Diagnose basierte ausschließlich auf Bildern von Pferdeaugen, ohne die Möglichkeit, das Augeninnere zu beurteilen. Unassigned: Das Deep‐Learning‐Tool erwies sich bei der Beurteilung von Augenkrankheiten auf Bildern als mindestens gleichwertig mit Tierärzten/‐ärztinnen. Wir schlussfolgern deshalb, dass das Software‐Tool bei der Erkennung potenzieller Notfälle nützlich sein kann. In diesem Zusammenhang könnte die Erblindung von Pferden verhindert werden, da schnell eine spezifische Behandlung eingeleitet oder das Pferd in eine Pferdeklinik überwiesen werden kann. Darüber hinaus bietet es weniger erfahrenen Tierärzten/‐ärztinnen die Möglichkeit, zwischen Uveitis und anderen Erkrankungen des vorderen Augensegments zu unterscheiden und sie bei der Entscheidungsfindung hinsichtlich der Behandlung unterstützen.