Künstliche Intelligenz (KI) zur Früherkennung von Netzhauterkrankungen Open Access

Künstliche Intelligenz (KI) wurde als die vierte industrielle Revolution der Menschheitsgeschichte bezeichnet [1]. Der Begriff wurde 1956 von John McCarthy geprägt. Er bezeichnet einen Zweig der Informatik, der sich mit der Entwicklung von Maschinen befasst, die wie Menschen lernen und denken können, um komplexe Probleme zu lösen. Maschinelles Lernen (ML) wurde 1959 von Arthur Samuel entwickelt und ist ein Bereich der KI, in dem ein Programm, das mit einer großen Menge von Daten konfrontiert wird, lernen kann, bestimmte Muster in diesen Daten zu erkennen [2]. Dies wird mithilfe einer Reihe miteinander verbundener Algorithmen erreicht, von denen jeder auf die Erkennung bestimmter Merkmale ausgerichtet ist. Kollektiv wird dieses System als neuronales Netz bezeichnet, da es versucht, die Funktionsweise der Neuronen im menschlichen Gehirn zu simulieren.

Deep Learning (DL) ist ein Teilgebiet des ML, bei dem mehrere künstliche neuronale Netze (artificial neural networks, ANN) überlagert werden, um die Verarbeitungsfähigkeiten des menschlichen Gehirns besser nachzuahmen [3]. Faltungsneuronale Netzwerke (convolutional neural networks, CNN) sind eine Art von ANN, die häufig in der Bild- und Videoanalyse eingesetzt werden [4]. Die erfolgreiche Dateninterpretation durch diese Programme kann in Form von Sensitivität, Spezifität oder einer Receiver-Operating-Characteristic (ROC)-Kurve, die die Rate der echten positiven Ergebnisse gegen die Rate der falschen positiven Ergebnisse aufträgt, angegeben werden [5].

In den letzten 2 Jahrzehnten haben sich KI-basierte Lösungen im medizinischen Bereich stark verbreitet. Digitale Bilder und numerische Daten werden häufig verwendet, um KI- und ML-Algorithmen zu trainieren. Die Einzigartigkeit der Netzhaut, die mit verschiedenen bildgebenden Verfahren wie der Fundusfotografie und der optischen Kohärenztomografie (OCT) leicht zugänglich ist, macht sie zu einem idealen Kandidaten für eine KI-gestützte Diagnose. Mit 30 Millionen OCT-Scans, die jedes Jahr allein in den USA durchgeführt werden, bietet dieser Bereich der Augenheilkunde einen riesigen Fundus an Rohdaten für das Training von Algorithmen [6].

Die hohe Variabilität und der progressive Charakter von Netzhauterkrankungen erfordern in der Regel mehrere Konsultationen für eine genaue Diagnose, eine kontinuierliche Überwachung und ein individuelles Management, was sowohl Zeit als auch Ressourcen beansprucht [7]. Dies kann zu einer verzögerten Diagnose und suboptimalen Sehergebnissen führen. Ziel der KI ist es, die große Menge an generierten Patientendaten effizient zu analysieren, um die Belastung der Patienten zu reduzieren, eine frühzeitige Diagnose zu erleichtern, Behandlungsstrategien zu optimieren und letztendlich die Langzeitprognose zu verbessern.

Die Literaturdurchsicht wurde mit PubMed (https://pubmed.ncbi.nlm.nih.gov) und Reference Citation Analysis (RCA) (https://www.referencecitationanalysis.com) durchgeführt. PubMed, eine weit verbreitete und zuverlässige biomedizinische Literaturdatenbank, die von der National Library of Medicine (NLM) verwaltet wird, wurde als primäre Datenbank für dieses Forschungsprojekt ausgewählt. Ihre umfangreiche Abdeckung von Fachzeitschriften mit Peer-Review in den Bereichen Medizin und Biowissenschaften macht sie zu einer idealen Ressource für die Suche nach relevanter wissenschaftlicher Literatur. Die Recherche wurde mit einer Kombination von Suchbegriffen durchgeführt. Diese Begriffe umfassten Variationen von «Artificial Intelligence» (künstliche Intelligenz), «Machine Learning» (maschinelles Lernen) und «Deep Learning», kombiniert mit Begriffen aus der Augenheilkunde und spezifischen Netzhauterkrankungen wie diabetische Retinopathie (DR), altersbedingte Makuladegeneration (AMD), Frühgeborenen-Retinopathie (ROP), retinaler Venenverschluss (RVO), hypertensive Retinopathie (HR), Retinopathia pigmentosa (RP), Morbus Stargardt, Morbus Best (Best’sche vitelliforme Makuladystrophie) und Sichelzellenretinopathie. Boolesche Operatoren (UND, ODER, NICHT) wurden verwendet, um diese Begriffe logisch zu verknüpfen, um eine umfangreiche Abdeckung der relevanten Literatur sicherzustellen und gleichzeitig irrelevante Ergebnisse zu minimieren. Die Suche wurde auf englischsprachige Artikel beschränkt, um Relevanz und Zugänglichkeit zu gewährleisten. Titel und Abstracts der gefundenen Artikel wurden manuell gesichtet, um die für die Studienziele relevanten Artikel auszuwählen. Die Volltexte der ausgewählten Artikel wurden anschließend geprüft, um Informationen über die verwendeten KI-Modelle, die berichteten Leistungsmetriken, die diskutierten klinischen Implikationen und die Herausforderungen bei der Integration von KI in die klinische Praxis zu erhalten. Darüber hinaus wurden zur Ergänzung der elektronischen Datenbanksuche manuelle Recherchen in den Referenzlisten relevanter Artikel durchgeführt. Zudem wurde eine Zitationsanalyse genutzt, um weitere relevante Studien zu identifizieren, die wichtige Artikel zitieren. Die umfassende Suchstrategie, die in diesem Review angewandt wurde, sollte sicherstellen, dass die gesamte relevante Literatur zu diesem Thema berücksichtigt wird, um ein umfassendes Verständnis der Anwendung von KI in der Diagnose und Behandlung von Netzhauterkrankungen zu erlangen.

Die DR, eine mikrovaskuläre Komplikation des Diabetes mellitus, ist mit einer geschätzten Prävalenz von 28,54 Millionen Menschen mit sehbehindernden Komplikationen die häufigste Ursache vermeidbarer Erblindung in der erwerbsfähigen Bevölkerung [8]. Die American Academy of Ophthalmology (AAO) Preferred Practice Patterns empfehlen ein jährliches DR-Screening [9]. KI-basierte DR-Screening-Systeme zielen darauf ab, die Kosten zu senken und den Zugang der Patienten zum Screening zu verbessern. Diese Systeme nutzen Algorithmen, um frühe Anzeichen von DR auf Farbfundusfotografien zu erkennen. Zu diesen Merkmalen gehören Mikroaneurysmen [10], rote Läsionen [11, 12], Hämorrhagien und Blutgefäßsegmentierungen [13, 14].

IDx-DR (Idx, Iowa City, IA, USA) war das erste von der Food and Drug Administration zugelassene KI-System zur Erkennung von DR [15]. Mithilfe von Farbfundusfotografien identifiziert dieses System effektiv spezifische Biomarker für DR und gibt Hinweise darauf, ob ein Besuch beim Augenarzt erforderlich ist oder ob eine jährliche Kontrolluntersuchung ausreicht [16]. In der veröffentlichten Literatur zeigt das System beeindruckende Ergebnisse in verschiedenen Bevölkerungsgruppen, einschließlich nordafrikanischer, kaukasischer und subsaharischer Gruppen [17]. Die Anwendung des DL-erweiterten Algorithmus mit IDx-DR auf den öffentlich zugänglichen Messidor-2-Datensatz ergab eine Sensitivität und Spezifität des Systems von 96,8% bzw. 87% [18]. In seiner vorregistrierten klinischen Studie zeigte IDx-DR eine Sensitivität und Spezifität von 87,2% und 90,9% für die Erkennung von mehr als leichter DR [16].

In Europa sind die Systeme EyeArt (EyeNuk Inc., Woodland Hills, CA, USA) und Retmarker (Retmarker Ltd., Voimbra, Portugal) als KI-basierte Medizinprodukte der Klasse IIa zur Unterstützung des DR-Screenings zugelassen [19, 20]. EyeArt analysiert Netzhautbilder, um festzustellen, ob eine Überweisung aufgrund von DR erforderlich ist. Das System hat eine Sensitivität von 91,7% und eine Spezifität von 91,5% [20]. Interessanterweise wurde die Software in einer Studie von Rajalakshmi et al. [20] mit Smartphone-basierten Fundusbildern getestet und zeigte eine Sensitivität und Spezifität von 99,3% bzw. 68,8% für überweisungspflichtige DR und 99,1% bzw. 80,4% für sehbehindernde DR. Die in Portugal entwickelte Retmarker-Software ist einzigartig in ihrer Fähigkeit, Fundusfotografien des aktuellen Screenings mit früheren Screenings zu vergleichen und den Krankheitsverlauf zu kommentieren [21, 22]. In einer Studie mit Daten von mehr als 20 000 Patienten zeigte die Software eine Sensitivität von 85% und eine Spezifität von 97,9% für überweisungspflichtige und proliferative DR [23]. Darüber hinaus verfolgt die Software die Rate der Bildung neuer Mikroaneurysmen, die auf eine Verschlechterung der DR hinweisen können [21]. Eine Vergleichsanalyse zeigte, dass EyeArt bei der Analyse desselben Datensatzes eine höhere Sensitivität als Retmarker erreichte (93,8% vs. 85%). Allerdings war auch die berichtete falsch-positive Rate mit EyeArt signifikant höher (80,1% vs. 53,3%) [24].

Islam et al. [25] entwickelten ein auf dem Prinzip des überwachten kontrastiven Lernens basierendes KI-Modell zur Erkennung von DR mithilfe von Fundusfotografien. Das Modell wurde mit dem Blindheitserkennungsdatensatz APTOS 2019 validiert und erreichte eine AUC (area under the curve) von 0,9850 und eine Genauigkeit von 98,36%. In einer weiteren Studie wurde ein KI-Modell zur Unterstützung der DR-Diagnose anhand von OCT-Scans vorgeschlagen. Die Autoren verwendeten 188 Scans zur Validierung ihres Algorithmus und berichteten eine Genauigkeit von 96,81% für die Diagnose von DR [26]. Gulshan et al. [27] wurden von Google gefördert, um ein CNN-basiertes KI-Modell zur Erkennung von überweisungspflichtiger DR zu trainieren. Ihr Modell wurde mit den Datensätzen EyePACS-1 und Messidor-2 getestet und erreichte eine AUC von 0,991 bzw. 0,990. Zhang et al. [28] entwickelten ein CNN-basiertes System zur automatischen Klassifizierung von DR mithilfe von Fundusbildern. Sie trainierten und validierten dieses Modell mit den Datensätzen Messidor-2 und EyePACS-1 und berichteten eine Genauigkeit, Sensitivität und Spezifität von 89,9%, 88,2% und 91,3% für den EyePACS-1-Datensatz und 91,8%, 90,2% und 93% für den Messidor-2-Datensatz. Eine Zusammenfassung der verschiedenen Studien, in denen KI-Modelle zur Unterstützung der DR-Diagnose entwickelt wurden, ist in Tabelle 1 dargestellt.

Die AMD ist die Hauptursache für irreversiblen Sehverlust unter der älteren Bevölkerung der Industrieländer. Weltweit sind fast 9% der 45- bis 85-Jährigen betroffen, und es wird erwartet, dass die Zahl der AMD-Fälle bis zum Jahr 2040 auf erstaunliche 288 Millionen ansteigen wird [35, 36]. Bemerkenswert ist, dass bis zu 84% der Fälle in den frühen Stadien nicht diagnostiziert werden, oft aufgrund fehlender Symptome [37]. Die AAO empfiehlt daher regelmäßige Vorsorgeuntersuchungen, alle 2 Jahre für Menschen ab 65 Jahren. Dies unterstreicht den wachsenden Bedarf an KI-gestützten Lösungen für die Unterstützung großangelegter Vorsorgeuntersuchungen und die Entlastung der Ärzte [38].

2013 stellten Grinsven et al. [39] ein ML-System vor, das entwickelt wurde, um Drusen auf Fundusfotografien zu erkennen und zu quantifizieren. Auf der Grundlage der erkannten Drusen beurteilte der Algorithmus das Risiko für die Entwicklung einer fortgeschrittenen AMD. Der Algorithmus erreichte eine ROC-Kurve von 0,948 und zeigte eine ähnliche Leistung bei der Erkennung von Drusen wie Augenärzte. Burlina et al. [40] entwickelten tiefe CNNs zur Analyse von Fundusfotografien für die automatische Klassifizierung des Schweregrads der AMD. Die Genauigkeitswerte, mit denen das System verschiedene Klassen von AMD klassifizieren konnte, wurden mit 79,4%, 81,5% und 93,4% angegeben. Chou et al. [41] validierten ihr DL-Modell an 699 Fundusfotografien für die Diagnose der AMD und berichteten eine Genauigkeit, Sensitivität und Spezifität von 83,67%, 80,76% bzw. 84,72%. Neben der Diagnose der Erkrankung wurden KI-Modelle auch verwendet, um den Schweregrad und die Progression der Erkrankung bei AMD-Patienten zu prognostizieren [41]. Waldstein et al. [42] verwendeten KI-Algorithmen, um das Drusenvolumen und das Volumen hyperreflektierender Herde in OCT-Scans als Biomarker für das Fortschreiten der AMD zu analysieren. Yan et al. [43, 44] nutzten ein CNN, um ein KI-Modell zur Prognose des Krankheitsverlaufs von AMD-Patienten zu entwickeln. Sie testeten ihr Modell an 31 262 OCT-Bildern und berichteten eine AUC von 0,85.

KI-gesteuerte Methoden wurden auch verwendet, um die geografische Atrophie von AMD-ähnlichen Erkrankungen zu unterscheiden, wie z.B. der extensiven Makulaatrophie mit pseudodrusenartigem Erscheinungsbild (EMAP), einer schweren und schnell fortschreitenden Form der Makuladegeneration, die hauptsächlich Menschen mittleren Alters betrifft [45‒47]. Chouraqui et al. [48] verwendeten einen auf dem ResNet-101-Design basierenden DL-Klassifikator, der mit 30°×30°- und 55°×55°-FAF-Bildern (FAF = Fundusautofluoreszenz) trainiert wurde, um zwischen diesen beiden Erkrankungen zu unterscheiden [48]. Die Autoren trainierten das Netzwerk mit Bildern von 135 EMAP- und 185 AMD-Patienten und erzielten gute bis ausgezeichnete Ergebnisse, insbesondere mit dem 55°×55°-Klassifikator (Sensitivität 90%, Spezifität 84,6%) (Tabelle 2).

Die OCT ist die Grundlage für die Diagnose und Überwachung einer Vielzahl von Makulaerkrankungen. ML-Algorithmen sind hervorragend in der Lage, Bilder mit komplexen Details und konsistenten Ansichten zu analysieren. Diese Eigenschaften machen OCT-Scans für diese Anwendung besonders geeignet, da sie eine hohe Detailgenauigkeit und Homogenität innerhalb des gescannten Bereichs bieten. Zu den Biomarkern, die umfassend untersucht wurden, gehören subretinale Flüssigkeit (SRF), intraretinale Flüssigkeit (IRF) und Pigmentepithelabhebung (PED) [53].

Schlegl et al. [44] entwickelten einen Algorithmus, der in der Lage ist, Netzhautflüssigkeit in OCT-Scans zu erkennen und weiter zwischen SRF und IRF zu unterscheiden. In Tests mit 1200 OCT-Scans von Patienten mit neovaskulärer AMD (nAMD) und diabetischem Makulaödem erreichte das Modell eine AUC von 0,98 für die Erkennung von SRF und 0,94 für die Erkennung von IRF. Han et al. [54] entwickelten ein KI-Modell unter Verwendung eines CNN zur Diagnose von nAMD und verglichen die diagnostische Genauigkeit des Modells mit der von Augenärzten. Die Studienkohorte umfasste 4749 OCT-Bilder im Spektralbereich, und das Modell erreichte eine Genauigkeit von 87,4%, die der von Augenärzten entsprach. Song et al. [55] verwendeten ein CNN, um ein KI-Modell zur Vorhersage von nAMD zu entwickeln. Sie trainierten und testeten den Algorithmus mit 671 OCT-Bildern im Spektralbereich und berichteten eine Genauigkeit, Sensitivität und Spezifität von 93%, 87,3% bzw. 92,2%. Romo-Bucheli et al. [56] entwickelten ein DL-Modell unter Verwendung von DenseNet und einem rekurrenten neuronalen Netzwerk (RNN), das OCT-Scans analysierte, um den Behandlungsbedarf bei Patienten mit nAMD zu prognostizieren. Das Modell erreichte eine AUC von 0,85 und 0,81 bei der Erkennung von Patienten mit geringem bzw. hohem Behandlungsbedarf (Tabelle 3).

Die ROP (retinopathy of prematurity) ist weltweit eine der häufigsten Ursachen für Erblindung im Kindesalter. Sie ist durch eine abnorme Gefäßproliferation gekennzeichnet und betrifft vor allem Frühgeborene, wobei eine Inzidenzrate von bis zu 68% in der Frühgeborenenpopulation berichtet wurde [63, 64]. Die Internationale Klassifikation der ROP (ICROP) unterteilt die ROP derzeit in eine «Plus»-Erkrankung, eine schwere ROP, die eine sofortige Behandlung erfordert, und eine «Prä-Plus»-Erkrankung, eine weniger schwere Form der Erkrankung. Diese Einteilung basiert auf Biomarkern wie der arteriellen Tortuosität und der venösen Dilatation, um eine genaue Beurteilung der Erkrankung zu ermöglichen [65].

Wang et al. [61] entwickelten DeepROP, ein DNN-basiertes System (DNN = tiefes neuronales Netzwerk), das 2 CNN-Klassifikatoren (Id-Net und Gr-Net) nutzt, um die Früherkennung von ROP anhand von Fundusfotografien zu erleichtern. Id-Net wurde entwickelt, um Merkmale und Fälle von ROP zu identifizieren, während Gr-Net den Schweregrad der ROP in diesen Fällen als leicht oder schwer klassifiziert. Beide Klassifikatoren erreichten eine hohe Sensitivität (99,62% für Id-Net und 88,46% für Gr-Net) und Spezifität (99,32% für Id-Net und 92,31% für Gr-Net) [61]. Wu et al. [60] entwickelten und validierten ebenfalls einen DL-Algorithmus für die Erkennung (OC-net) und Klassifizierung (SE-net) von ROP. Die mittlere AUC wurde mit 0,90 für OC-net und 0,87 für SE-net angegeben. Redd et al. [66] testeten den Schweregrad-Score i-ROP DL in ihrer Kohorte von 870 Säuglingen. Sie berichteten eine AUC von 0,960 mit einer Sensitivität von 94% und einer Spezifität von 79% (Tab 3).

Der RVO (retinal vein occlusion) ist nach der DR die zweithäufigste Gefäßerkrankung der Netzhaut [67, 68]. Sie ist durch einen plötzlichen, schmerzlosen Sehverlust gekennzeichnet. Die Erkrankung wird weiter unterteilt in zentrale, Ast- und hemizentrale RVO, wobei die Ast-RVO die häufigste Form darstellt [59]. Diagnostische Merkmale auf Fundusfotografien sind Exsudate, Mikroaneurysmen, oberflächliche und tiefe Blutungen, telangiektatische Gefäße und sklerosierte Venen [59, 69, 70]. Die frühe und genaue Diagnose eines RVO ist von entscheidender Bedeutung, da sie eine rechtzeitige Intervention ermöglicht und eine schwere Sehbehinderung bei diesen Patienten verhindern kann.

Chen et al. [71] entwickelten ein DL-System mit 4 verschiedenen KI-Algorithmen für die Früherkennung von RVO. Diese Algorithmen wurden an einer Kohorte von 8600 Farbfundusfotografien getestet und ihr Inception-v3-Modell zeigte eine Sensitivität von 99% und eine Spezifität von 95%. Abitbol et al. [72] testeten DenseNet121, ein KI-basiertes System zur Diagnose von retinalen Gefäßerkrankungen, einschließlich RVO. Das Modell zeigte eine AUC von 0,912 und eine Genauigkeit von 88,4% bei der Analyse einer Studienkohorte von 224 Ultraweitwinkel-Farbfundusbildern [72]. Nagasato et al. [73] validierten 2 KI-Modelle anhand von 465 Ultraweitwinkel-Fundusbildern und berichteten eine Sensitivität und Spezifität von 94% bzw. 97%. Kang et al. [74] verwendeten ein CNN-basiertes KI-Modell in einer Studienkohorte von 2992 Augen und erzielten eine Genauigkeit, Sensitivität und Spezifität von 97,7%, 96% bzw. 98% für die Diagnose von RVO (Tab 3).

Unkontrollierter Bluthochdruck, auch systemische Hypertonie genannt, kann verschiedene Organe schädigen, darunter auch die Netzhaut. Langanhaltender Bluthochdruck kann das Endothel der retinalen Blutgefäße belasten, eine kompensatorische Hypertrophie der glatten Muskelzellen der Arterienwand verursachen und schließlich zu einer Verengung des Gefäßlumens führen [75, 76]. Als Langzeitfolgen dieses Prozesses können bei der Fundusuntersuchung intraretinale Exsudate, Cotton-Wool-Herde und flammenförmige Blutungen beobachtet werden [77].

In der jüngsten Literatur wurden viele KI-basierte Systeme für die effiziente Untersuchung und Klassifizierung von Patienten mit HR getestet. Im Jahr 2022 verwendeten Dong et al. [78] CNNs, um einen Algorithmus für die Diagnose verschiedener Netzhauterkrankungen, einschließlich HR, zu entwickeln. Der Algorithmus wurde an über 120 000 Fundusfotografien validiert und zeigte eine AUC von 0,837 für die Diagnose von HR. Han et al. [57] verwendeten DL, um ein Modell zur Erkennung von Anomalien zu entwickeln, mit dem Augenkrankheiten erkannt werden können. Das Modell wurde an 90 000 Fundusfotografien getestet und erreichte eine AUC von 0,895, mit einer Sensitivität und Spezifität von 81,2% und 82,7% für die Diagnose von HR. Akbar et al. [79] verwendeten DL, um ein KI-Modell zu entwickeln, das bei der Klassifizierung von HR bei Patienten hilft. Das Modell wurde anhand von 3 verschiedenen Patientendatensätzen, AVRDB, VICAVR und INSPIRE-AVR, validiert und erreichte eine Genauigkeit von 98,1%, 95,6% bzw. 95,1%. Abbas et al. [80] verwendeten DenseNet zur Erstellung von HYPER-RETINO für die Unterstützung der HR-Klassifizierung. Ihr Algorithmus wurde an 1400 Fundusfotografien getestet und zeigte eine Sensitivität und Spezifität von 90,5% und 91,5% (Tab 3).

RP, auch Patermann-Syndrom genannt, ist die häufigste erbliche Netzhauterkrankung, die durch eine progressive Atrophie der Photorezeptoren der Stäbchen und eine sekundäre Degeneration der Zapfen gekennzeichnet ist [81]. Die derzeitige weltweite Inzidenz der RP wird auf 1:2000 bis 1:4000 geschätzt [82]. Klinisch manifestiert sich die Erkrankung durch vermindertes Nachtsehen und Gesichtsfeldeinschränkungen. Im weiteren Krankheitsverlauf leiden die Patienten unter einem progressiven Sehverlust und einer verminderten Kontrastwahrnehmung. Die klinische Trias aus Knochennadeln in der Netzhautperipherie, einem blassen Sehnervenkopf und einer Gefäßverengung in der Funduskopie ist derzeit die Hauptstütze der Diagnose und das Tor zu genetischen Tests [82]. In einigen neueren Studien wurde KI eingesetzt, um diese Bildverarbeitung für eine frühe und genaue Diagnose der Krankheit zu unterstützen.

Chen et al. [83] entwickelten ein DL-Modell zur genauen Erkennung von RP auf Farbfundusbildern von Patienten. Ihr Modell zeigte eine Genauigkeit von 96%, vergleichbar mit der Genauigkeit von Augenärzten, die dieselben Bilder untersuchten. Nagasato et al. [84] untersuchten 5 DL-Modelle, Visual Geometry Group-16, Residual Network-50, Inception V3, DenseNet121 und EfficientNetB0, um die Sehfunktion bei RP-Patienten zu schätzen. Diese Modelle wurden anhand von Ultraweitwinkel-Autofluoreszenzaufnahmen des Augenhintergrundes von 695 Patienten validiert. Es konnte gezeigt werden, dass sie die Sehschärfe und die zentrale Sensitivität bei diesen Patienten genau schätzen (p < 0,001). Liu et al. [85] trainierten ihren DL-Algorithmus zur Prognostizierung von Sehbehinderungen bei RP-Patienten. Sie testeten ihr Modell an 2 verschiedenen Patientendatensätzen und erreichten eine AUC von 0,83 bzw. 0,78. Arsalan et al. [86] entwickelten ein DL-basiertes Segmentierungsnetzwerk (RP-Segmentierungsnetzwerk; RPS-Net) zur genauen Erkennung von Pigmenten in Farbbildern und berichteten eine Genauigkeit von 99,5% (Tab 3).

Morbus Stargardt ist die häufigste monogene Netzhautdystrophie und betrifft etwa 1 von 6578 Personen [87, 88]. Die Erkrankung wird hauptsächlich durch biallelische Mutationen im ABCA4-Gen verursacht, was zu einer abnormalen Anhäufung von Bisretinoiden im retinalen Pigmentepithel (RPE) und zu einer nachfolgenden Degeneration von Photorezeptoren und RPE-Zellen führt [89]. Die große genetische Variabilität dieses komplexen Gens trägt zu der großen phänotypischen Heterogenität bei, die bei Morbus Stargardt beobachtet wird [90]. Dennoch gehören zu den typischen funduskopischen Veränderungen, die für die Krankheit charakteristisch sind: 1) Makulaatrophie, 2) Flecken und 3) peripapilläre Ausdünnung [88].

Neuere KI-Ansätze für den Morbus Stargardt verwenden hauptsächlich FAF und OCT-Scans. Wang et al. [91] leisteten Pionierarbeit bei der Verwendung eines DL-CNN-Systems (U-Net) zur semantischen Segmentierung atrophischer Läsionen im Zusammenhang mit Stargardt anhand von FAF-Bildern [91]. Das System wurde zunächst auf die Unterscheidung von Stargardt-FAF-Bildern und gesunden Kontrollpersonen trainiert und anschließend um FAF-Bilder von AMD-Patienten erweitert. Dieser Ansatz lieferte vielversprechende Segmentierungsergebnisse im Vergleich zur manuellen Klassifikation mit einem Dice-Ähnlichkeitskoeffizienten und einem Überlappungsverhältnis von 0,87 + 0,13 bzw. 0,78 + 0,17.

In der OCT-Bildgebung werden hauptsächlich graphbasierte Methoden zur Segmentierung der Netzhautschichten verwendet, um atrophische Bereiche und Flecken zu erkennen, die mit Morbus Stargardt in Verbindung gebracht werden. Mishra et al. [92] implementierten mithilfe eines überwachten KI-DL-Frameworks einen Algorithmus mit 12 Netzhautschichten, der bei der Analyse von OCT-Scans aus der ProgSTAR-Studie eine Subpixel-Genauigkeit zeigte und damit das Potenzial von KI zur Verbesserung der diagnostischen Genauigkeit und des Verständnisses des Morbus Stargardt demonstrierte.

Morbus Best (Best’sche vitelliforme Makuladystrophie, BVMD) ist mit einer geschätzten Prävalenz von 1:10 000 in den USA die zweithäufigste Makuladystrophie. Die Krankheit ist durch dominant vererbte Mutationen im BEST1-Gen auf Chromosom 11 gekennzeichnet, die zur Produktion eines dysfunktionalen Bestrophin-Proteins führen. Die Fehlfunktion dieses Chloridkanals in der basolateralen Membran der RPE-Zellen führt zu einer subretinalen Ansammlung von Lipofuszin und nicht phagozytierten äußeren Photorezeptorsegmenten [93]. Klinisch ist diese Erkrankung durch die charakteristische «dottergelbe» (vitelliforme) Makulaläsion und einen reduzierten Arden-Quotienten (< 1,5) gekennzeichnet [94]. Obwohl die ursprüngliche Klassifikation auf der Fundusuntersuchung und der Fundusfotografie basierte, haben die jüngsten Fortschritte in der retinalen Bildgebung zu einem besseren Verständnis der Pathophysiologie der BVMD geführt, was zu einer genaueren Diagnose und zur Entwicklung neuartiger Staging-Systeme geführt hat [95‒98].

Auf dem Gebiet der KI-Ansätze haben Bemühungen, die BVMD von adulten vitelliformen Läsionen (AVL) zu unterscheiden, vielversprechende Ergebnisse gezeigt. Crincoli et al. [99] klassifizierten FAF- und OCT-Bilder von 182 Augen mit BVMD und 96 Augen mit AVL mithilfe von Inception-ResNet-v2-CNN. In dieser Studie wurde eine Genauigkeit von 90% bei der Unterscheidung der beiden Zustände mithilfe von DL-Klassifikatoren erreicht, sowohl für ImageJ-verarbeitete als auch für unbearbeitete Bilder, was die menschliche diagnostische Leistung übertrifft.

Die Sichelzellkrankheit (SCD), die durch eine Mutation im β-Globin-Gen des Hämoglobins verursacht wird, ist eine der häufigsten erblichen Blutkrankheiten [100]. Diese Mutation bewirkt, dass sich die Erythrozyten bei Ischämie von ihrer Scheibenform in eine Sichelform umwandeln, was zu mikrovaskulären Verschlüssen im Körper führt [101]. Bei SCD-Patienten besteht das Risiko eines Sehverlustes infolge von Blutgefäßverschlüssen in der Netzhaut [102]. Die chronische Ischämie des Gewebes durch diese mikrovaskulären Okklusionen kann zu schwerwiegenden okulären Komplikationen führen, darunter abnormes Blutgefäßwachstum (Neovaskularisation), Glaskörperblutungen und Netzhautablösung [103]. Angesichts dieser Risiken sind Früherkennung und präventive Maßnahmen unerlässlich, um den Verlust des Sehvermögens bei diesen Patienten zu verhindern. Daher werden derzeit erweiterte Fundusuntersuchungen, die eine detaillierte Untersuchung der Netzhaut ermöglichen, für SCD-Patienten ab einem Alter von 10 Jahren empfohlen [104].

Innovationen im Bereich der KI haben sich als vielversprechend für die Verbesserung der diagnostischen Genauigkeit von Augenerkrankungen im Zusammenhang mit SCD erwiesen. Cai et al. [105] trainierten ein CNN für die Erkennung von klassischen subretinalen Neovaskularisationen bei SCD-Patienten anhand von Ultraweitwinkel-Farbfundusaufnahmen. In ihrer Studie erreichte das CNN eine AUC von 0,988 mit einer Sensitivität von 97,4% und einer Spezifität von 97%. Sevgi et al. [106] verwendeten einen DL-Algorithmus zur Analyse vaskulärer und ischämischer Parameter wie ischämischer Index, Gefäßlänge und -fläche bei Patienten mit SCD. Als bildgebende Verfahren wurden Ultraweitwinkel-Fluoreszenzangiografien genutzt. Sie kamen zu dem Schluss, dass der DL-Algorithmus bei der Erkennung dieser Parameter genauer war als alternative Bildverarbeitungssysteme. Alam et al. [62] verwendeten 3 verschiedene KI-Algorithmen zur Bewertung von Biomarkern der Sichelzellretinopathie in angiografischen Scans der OCT (OCTA). Alle 3 Algorithmen erreichten beim Testen eine hohe Sensitivität, Spezifität und Genauigkeit (Tab 1).

Eine der größten Herausforderungen beim Einsatz von KI für die Diagnose von Krankheiten ist das «Black-Box-Phänomen». Dieser Begriff beschreibt KI-Systeme, deren interne Mechanismen undurchsichtig sind, d.h. deren interne Funktionsweise schwer oder gar nicht nachvollziehbar ist. Der Benutzer überblickt nur die Eingaben (die in das System eingegebenen Daten) und die Ausgaben (die daraus resultierende Diagnose oder Prognose), aber der Denkprozess hinter diesen Ausgaben bleibt verborgen [107, 108]. Die Zugänglichkeit und Erschwinglichkeit dieser Systeme kann für Entwicklungsländer ebenfalls eine Herausforderung darstellen, wenngleich die Hauptprobleme die Bildqualität und der Mangel an vollständigen Datensätzen sind, neben falsch positiven und falsch negativen Ergebnissen. Die Entwicklung, Validierung, Erprobung und Implementierung dieser KI-Modelle erfordern erhebliche finanzielle Ressourcen, was einen wichtigen limitierenden Faktor darstellen kann [24].

Die Bewertung der Kostenauswirkungen von KI bei der Diagnose von Netzhauterkrankungen bleibt vor dem Hintergrund der begrenzten Routineanwendung eine Herausforderung. Erste Hinweise deuten jedoch darauf hin, dass KI die Kosten durch Verbesserung der diagnostischen Genauigkeit und Rationalisierung der Arbeitsabläufe senken kann [23]. Jedoch sollte eine weitere umfassende Analyse diese möglichen Einsparungen zusammen mit den klinischen Auswirkungen der KI-Integration untersuchen und dabei Faktoren wie die Effizienz der Arbeitsabläufe, die diagnostische Genauigkeit und die Patientenergebnisse berücksichtigen. Durch das Verständnis sowohl der wirtschaftlichen als auch der klinischen Auswirkungen können die Beteiligten KI-Technologien besser nutzen, um die Patientenversorgung zu verbessern und den Ressourceneinsatz zu optimieren.

Neben dem «Black-Box-Phänomen», d.h. der Undurchschaubarkeit der internen Funktionsweise von KI-Systemen, bestehen auch Bedenken hinsichtlich der Bildqualität und Fehlklassifikationen, die einen erheblichen Einfluss auf die diagnostische Genauigkeit haben. Beispielsweise kann die falsche Identifizierung von Gefäßen oder die Verwechslung von Arterien und Venen zu falschen Schlussfolgerungen führen. Darüber hinaus bieten KI-Systeme zwar wertvolle Einblicke, die Verantwortung für die endgültige Entscheidungsfindung liegt jedoch nach wie vor beim Arzt, was die Notwendigkeit von Transparenz und Rechenschaftspflicht im Rahmen ihrer Nutzung unterstreicht.

Ein weiterer Aspekt ist die Tatsache, dass diagnostische Untersuchungen für Netzhauterkrankungen inzwischen von mehreren privaten Krankenversicherungen bezahlt und unterstützt werden. Dies hat Auswirkungen auf die Patienten, nicht nur in Bezug auf die Erkennung von Problemen, sondern auch in Bezug auf höhere Kosten aufgrund potenziell höherer Risikowerte.

Ein kritisches Problem bei KI-Modellen ist ihr Potenzial, bestehende soziale und rassistische Vorurteile aufrechtzuerhalten, wenn sie nur mit Daten von bestimmten demografischen Gruppen trainiert werden. Daher ist es erwartungsgemäß wichtig, Daten verschiedener Ethnien und Nationalitäten einzubeziehen, um die Verallgemeinerbarkeit dieser Systeme in realen Szenarien zu erhöhen [109]. Wir benötigen Daten zur ethnischen Zugehörigkeit oder zu anderen bevölkerungsbezogenen Merkmalen, da diese für die Erstellung von Risikoprofilen und das Patientenmanagement wichtig sind. Wichtig ist auch, zu beachten, dass diese Systeme zwar bei der Analyse spezifischer Datenpunkte hervorragend abschneiden, aber möglicherweise wichtige Aspekte der Gesundheit eines Patienten übersehen, die durch eine umfassende Arzt-Patienten-Interaktion aufgedeckt werden. Zudem kann das Fehlen einer körperlichen Untersuchung und die Konzentration auf spezifische Krankheitsbiomarker dazu führen, dass diese Systeme das Gesamtbild übersehen [110].

Neben der Betrachtung aktueller Anwendungen und Herausforderungen wird in dieser Übersichtsarbeit auch versucht, zukünftige Perspektiven und Forschungsrichtungen im Bereich der KI für die Diagnose von Netzhauterkrankungen zu skizzieren. Mit Blick auf die Zukunft besteht ein wachsendes Interesse an der Erforschung neuer KI-Techniken wie föderiertes Lernen und Transferlernen, um die Leistungsfähigkeit und Generalisierbarkeit von KI-Modellen in verschiedenen Populationen und klinischen Umgebungen zu verbessern. Darüber hinaus verspricht die Integration multimodaler Bildgebungsdaten, einschließlich OCT, Fundusfotografie und Angiografie, die diagnostische Genauigkeit zu verbessern und den Anwendungsbereich der KI-gestützten Beurteilung von Netzhauterkrankungen zu erweitern. Zudem ist die Entwicklung interpretierbarer KI-Modelle, die eine transparente Entscheidungsfindung ermöglichen, entscheidend, um das Vertrauen und die Akzeptanz bei Ärzten und Patienten zu erhöhen. Weiterhin rückt der Einsatz von KI nicht nur für die Diagnose, sondern auch für die personalisierte Behandlungsplanung und Überwachung von Netzhauterkrankungen immer mehr in den Fokus und läutet damit eine neue Ära der Präzisionsmedizin in der Augenheilkunde ein. Die Zusammenarbeit zwischen Klinikern, Forschern und Industriepartnern ist entscheidend, um KI-Technologien voranzutreiben und in klinisch wirksame Instrumente umzusetzen, die letztlich Patienten weltweit zugutekommen. Durch das Aufzeigen dieser Zukunftsperspektiven und Forschungsrichtungen soll diese Übersichtsarbeit weitere Innovationen und Fortschritte auf dem Gebiet der KI-gestützten Diagnose von Netzhauterkrankungen anregen.

Vor dem Hintergrund wachsender Patientenpopulationen und begrenzter Ressourcen im Gesundheitswesen bietet die Integration der KI in die Diagnose von Netzhauterkrankungen eine vielversprechende Lösung. KI-Algorithmen, die in der Lage sind, komplexe Netzhautbilddaten zu analysieren, verbessern die dia­gnostische Genauigkeit und Effizienz. Es ist jedoch wichtig, zu erkennen, dass KI die menschliche Expertise ergänzen und nicht ersetzen sollte. Die kollaborative Synergie zwischen KI und Ärzten optimiert die diagnostische Genauigkeit und führt zu besseren Patientenergebnissen. Dieses kollaborative Paradigma hat das Potenzial, die Diagnose von Netzhauterkrankungen zu revolutionieren, Ungleichheiten in der Gesundheitsversorgung zu verringern und uns auf dem Weg in eine gesündere Zukunft für alle weiter voranzubringen.

Konzeptualisierung, P.L.S. und M.Z.; Methodik, U.P.S.P. und P.L.S.; Datenkuration, P.L.S., U.P.S.P., F.R. und T.M.; Schreiben – Vorbereitung des ursprünglichen Entwurfs, U.P.S.P., P.L.S., R.B.S. und F.R.; Schreiben – Überprüfung und Bearbeitung, P.L.S., F.R., R.B.S., C.S., L.S., T.M., M.M. und C.G.; Visualisierung, P.L.S., M.Z., L.S., C.S., T.M., M.M. und C.G.; Aufsicht, M.Z., L.S., C.S. und C.G. Alle Autoren haben die veröffentlichte Version des Manuskripts gelesen und genehmigt.

Diese Forschung wurde nicht extern gefördert.

Die Autoren erklären, dass keine Interessenkonflikte bestehen.

Parmar UPS, Surico PL, Singh RB, Romano F, Salati C, Spadea L, Musa M, Gagliano C, Mori T, Zeppieri M: Artificial intelligence (AI) for early diagnosis of retinal diseases. Medicina (Kaunas) 2024;60:527 (DOI: 10.3390/medicina60040527). © 2024 by the authors (Übersetzung), lizensiert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/deed.de).