Datenüberlappung in Glaukom-Bilddatenbanken verfälscht KI-Validierungsergebnisse
Von KI ausgewählt und zusammengefasst
Worum es geht
Cross-sectional Datenaudit und Record-Linkage-Analyse zur Überprüfung der Unabhängigkeit der drei öffentlichen Harvard-Glaukom-Bilddatenbanken (GDP, GF, FairVision) als externe Validierungskohorten.
Ergebnis
Harvard-GF und Harvard-FairVision teilten 1.302 Augen (erwartet 1,9 by chance). Direkter Bildvergleich bestätigte 1.031 (79,2 %; 95%-CI 76,9–81,4) als identische 3D-OCT-Volumen (≥0,9999 Kosinus-Ähnlichkeit); mindestens 31 % der 3.300 Harvard-GF Augen waren Duplikate. Classifier-Performance künstlich aufgeblasen (AUC 0,90 mit 78,5 % Daten-Leakage vs. 0,78 out-of-sample; Inflation 0,12).
Übertragbarkeit auf Deutschland
USA (Harvard), Methodologie kritisch für AI-Validierung weltweit; zeigt Notwendigkeit unabhängiger Testdaten.
Originalstudie in PubMedIm Hub ansehenNeue Studien per E-Mail
Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.