Practical Challenges for the Implementation of AI-Based Image Analysis in Ophthalmology Research: Insights and Recommendations from a Swiss Multicentric Study.

Abstract PURPOSE: To share first experience from the Swiss RetinAI Consortium in applying artificial intelligence (AI)-based optical coherence tomography (OCT) analysis across multiple centres, to highlight practical barriers encountered during implementation, and to outline practical recommendations for future collaborative multicentre AI-based OCT research.Abstract METHODS: The Swiss RetinAI Consortium, consisting of six ophthalmology centres, implemented the FDA-cleared Discovery platform (RetinAI, Bern, Switzerland) for collaborative OCT analysis. Challenges encountered during protocol development for OCT export, anonymisation, data upload, AI-based analysis, and data sharing were systematically collected from all sites involved. These included regulatory, technical, and methodological aspects. The findings were discussed at expert meetings and consolidated into shared guidance for data acquisition and processing. The aim was to provide practical recommendations to support standardised workflows in future multicentre AI-driven research.Abstract IDENTIFIED CHALLENGES: Key regulatory, technical, and methodological challenges were identified during multicentre implementation. These included the legal requirement for Swiss-based server hosting, incomplete anonymisation due to heterogeneous export protocols, and non-standardised OCT protocols treated as being equivalent, despite covering different retinal areas. Additional barriers were inter-device variability, ETDRS grid misalignment without the option for manual correction, major segmentation errors requiring extensive review, and unfiltered data exports that often exceeded one million entries, thereby increasing the risk of readout errors. Moreover, the absence of automated quality screening and the lack of cross-centre reproducibility data were identified as important methodological gaps. Together, these challenges shaped our practical recommendations for reliable multicentre AI-based OCT analysis.Abstract PRACTICAL RECOMMENDATIONS: Based on the identified challenges, we derive practical recommendations focusing on standardised anonymised data export procedures, harmonised OCT acquisition protocols, mandatory quality control steps for grid placement and segmentation, and structured strategies for handling large-scale output data. Our recommendations offer a practical roadmap to support future collaborative multicentre AI-based OCT research.Unlabelled ZIEL: Ziel dieser Arbeit ist es, erste Erfahrungen des Swiss RetinAI Consortiums bei der multizentrischen Anwendung einer KI-basierten Analyse der optischen Kohärenztomografie (OCT) darzustellen, praxisrelevante Hürden während der Implementierung zu identifizieren und konkrete Empfehlungen für zukünftige multizentrische KI-basierte OCT-Forschungsprojekte abzuleiten.Methoden Das Swiss RetinAI Consortium, bestehend aus 6 ophthalmologischen Zentren, führte im Rahmen eines multizentrischen Implementierungsprozesses eine KI-basierte OCT-Analyse mit der FDA-zugelassenen Discovery-Plattform (RetinAI, Bern, CH) durch. Herausforderungen entlang des OCT-Exports, der Anonymisierung, des Daten-Uploads, der KI-basierten Analyse und des Datenaustauschs wurden multizentrisch systematisch erhoben. Diese umfassten regulatorische, technische und methodische Aspekte. Die Ergebnisse wurden in Expertenrunden diskutiert und in gemeinsame Handlungsempfehlungen überführt.Identifizierte Herausforderungen Zu den identifizierten Herausforderungen zählten die Anforderung an den Serverstandort in der Schweiz, unvollständige Anonymisierung infolge heterogener Exportprozesse sowie nicht standardisierte OCT-Aufnahmeprotokolle, die trotz unterschiedlicher erfasster Netzhautareale als gleichwertig behandelt wurden. Weitere Hürden waren Inter-Device-Variabilität, eine fehlerhafte automatische Platzierung des ETDRS-Gitters ohne manuelle Korrekturmöglichkeit, ausgeprägte Segmentierungsfehler mit hohem manuellem Korrekturaufwand sowie unstrukturierte Datenexporte mit teils über einer Million Einträgen, die das Risiko von Auswertungsfehlern erhöhen. Darüber hinaus stellten fehlende automatisierte Qualitätskontrollen und begrenzte multizentrische Reproduzierbarkeitsdaten relevante methodische Barrieren dar. Diese Erkenntnisse bildeten die Grundlage für die Ableitung praxisorientierter Empfehlungen.Praktische Empfehlungen Auf Basis der identifizierten Herausforderungen haben wir praxisnahe Empfehlungen formuliert, die sich auf standardisierte und vollständig anonymisierte Datenexporte, harmonisierte OCT-Akquisitionsprotokolle, verpflichtende Qualitätskontrollschritte zur Überprüfung von ETDRS-Gitterplatzierung und (Miss-)Segmentierung sowie strukturierte Strategien zur Verarbeitung großer Datenoutputs konzentrieren. Diese Empfehlungen werden in einer praxisorientierten Roadmap zusammengefasst und sollen zukünftige multizentrische KI-basierte OCT-Forschungsprojekte unterstützen.