Künstliche Intelligenz zur Erkennung der diabetischen Retinopathie
Einführung
Diabetes mellitus ist eine chronische Erkrankung mit hoher globaler Prävalenz. Im Jahr 2019 litten etwa 463 Millionen Erwachsene im Alter von 20 bis 79 Jahren an Diabetes, wobei diese Zahl bis 2040 voraussichtlich auf rund 600 Millionen ansteigen wird. In China stieg die Prävalenz von Diabetes bei Erwachsenen von 9,7 % im Jahr 2010 auf 12,8 % im Jahr 2018. Diabetes kann Schäden an Nerven, Blutgefäßen und multiplen Organsystemen verursachen. Die diabetische Retinopathie (DR) ist eine der Hauptkomplikationen des Diabetes. Weltweit wird geschätzt, dass 34,6 % der Diabetiker an DR leiden, wobei 10,2 % eine Sehbehinderung entwickeln. In China weisen 18,45 % der diabetischen Bevölkerung eine DR auf, wobei die Prävalenz mit der Diabetesdauer zunimmt. Ähnliche Zahlen zeigen sich in Indien (17,6 %) und den USA (33,2 %). Die DR ist progressiv und mit dem Risiko von Sehverlust bis hin zur Erblindung verbunden, was sie zur führenden Ursache für Erblindung bei Menschen im erwerbsfähigen Alter macht.
Im Frühstadium verläuft die DR asymptomatisch, was viele Patienten dazu verleitet, regelmäßige Fundusuntersuchungen zu vernachlässigen, bis die Erkrankung bereits fortgeschritten ist. Daher sind Früherkennung und rechtzeitige Behandlung entscheidend, um Sehstörungen zu verhindern. Charakteristische pathologische Merkmale der DR umfassen retinale Gefäßanomalien wie Mikroaneurysmen, intraretinale Blutungen, Venenveränderungen, Exsudate und Neovaskularisationen. Basierend auf dem Schweregrad wird die DR in „keine apparente DR“, milde/moderate/schwere nicht-proliferative DR (NPDR) und proliferative DR (PDR) eingeteilt. Das diabetische Makulaödem (DME), gekennzeichnet durch eine gestörte Blut-Retina-Schranke und Flüssigkeitsansammlung in der Makula, kann in jedem Stadium der DR auftreten und die Sehkraft bedrohen. DME wird separat als mild, moderat oder schwer klassifiziert.
Die Diagnose von DR und DME erfolgt typischerweise durch direkte/indirekte Ophthalmoskopie, Spaltlampenbiomikroskopie, Fundusfotografie (FP), optische Kohärenztomographie (OCT), OCT-Angiographie, Fluoreszeinangiographie und B-Ultraschall. Die Fundusfotografie ist international als Screening-Methode anerkannt, während OCT aufgrund ihrer detaillierten Bildgebung zunehmend an Bedeutung gewinnt, jedoch kostenintensiver ist.
Aktueller Stand des DR-Screenings
Die Amerikanische Akademie für Augenheilkunde empfiehlt jährliche Augenuntersuchungen für Typ-1-Diabetiker ab dem fünften Erkrankungsjahr und für Typ-2-Diabetiker ab Diagnosestellung. Screening zielt darauf ab, asymptomatische Personen zu identifizieren, um durch frühzeitige Behandlung bessere Outcomes zu erzielen. Im Vereinigten Königreich wurde 2003 ein nationales DR-Screeningprogramm eingeführt, das bis 2008 flächendeckend umgesetzt wurde. Von 2015 bis 2016 wurden 82,8 % der 2.590.082 Diabetiker gescreent, was die Inzidenz von DR-bedingter Erblindung signifikant reduzierte.
Dennoch ist die Compliance mit Screening-Empfehlungen unzureichend. In den USA hatten fast 50 % der 298.393 Typ-2-Diabetiker ohne DR in den letzten fünf Jahren keine Augenuntersuchung; nur 15,3 % folgten der Empfehlung zur zweijährlichen Untersuchung. Auch bei Typ-1-Diabetikern unterliegen nur 26,3 % den Leitlinien. Gründe hierfür umfassen mangelndes Krankheitsverständnis, eingeschränkten Zugang zu medizinischer Infrastruktur und unzureichende Versicherungsleistungen. Studien zeigen, dass Patienten mit schwerer DR, Sehbeeinträchtigung und schlechter Glykämiekontrolle eine bhere Compliance aufweisen, was darauf hindeutet, dass viele asymptomatische Patienten den Nutzen regelmäßiger Kontrollen unterschätzen.
Telemedizin hat die Zugänglichkeit von Fundusuntersuchungen verbessert. Das Singapore Integrated Diabetic Retinopathy Program (SiDRP) ermöglicht beispielsweise remote Fundusuntersuchungen, deren Bilder von Fachkräften ausgewertet werden, wodurch Kosten gesenkt werden. Dennoch erfordert die traditionelle Telemedizin weiterhin manuelle Bildauswertung. Die Entwicklung künstlicher Intelligenz (KI) bietet hier vielversprechende Ansätze, um Compliance und Effizienz zu steigern.
KI im DR-Screening
Der Begriff KI wurde 1956 von McCarthy et al. geprägt, gefolgt von Arthur Samuels Einführung des maschinellen Lernens (ML) 1959. Deep Learning (DL), ein Teilbereich des ML, nutzt mehrschichtige neuronale Netze und eignet sich besonders zur Bildverarbeitung. Convolutional Neural Networks (CNNs) sind gängige DL-Modelle für die Bildanalyse, darunter Architekturen wie AlexNet, VGGNet, Inception V1–V4, ResNet und DenseNet. Transfer Learning, eine weitere ML-Methode, ermöglicht die Anpassung vortrainierter Modelle auf neue Datensätze, auch bei geringen Stichprobengrößen.
KI findet Anwendung in diversen medizinischen Bereichen, einschließlich Radiologie, Dermatologie, Pathologie und Ophthalmologie. In der Augenheilkunde unterstützt KI die Diagnose von DR, Glaukom, altersbedingter Makuladegeneration und Frühgeborenenretinopathie. Frühe KI-Software identifizierte spezifische Bildmerkmale, während moderne Systeme aus großen, annotierten Datensätzen lernen. 2018 wurde IDx-DR als erste KI-Software zur DR-Diagnostik von der FDA zugelassen. Sie nutzt die Topcon NW400 zur Fundusbildaufnahme und liefert Ergebnisse basierend auf Bildqualität und DR-Schweregrad. Weitere Systeme wie EyeArt, Retmarker DR und Airdoc erhielten ebenfalls Zulassungen.
KI-basierte DR-Systeme bieten hohe Effizienz, Genauigkeit und reduzieren den Personalbedarf. Studien zeigen, dass KI die manuelle Auswertung von Fundusbildern erheblich entlastet. Retmarker reduziert beispielsweise die Arbeitslast um 48,42 %. Durch KI können Patienten in primären Versorgungseinrichtungen gescreent werden, was die Compliance verbessert.
Entwicklung KI-basierter DR-Diagnosesysteme
Die Entwicklung erfordert die Aufteilung von Datensätzen in Trainings-, Validierungs- und Testgruppen ohne Überschneidungen. Der Trainingssatz dient der Algorithmusentwicklung, der Validierungssatz der Parameteroptimierung und der Testdatensatz der klinischen Leistungsbewertung. Laut chinesischen Leitlinien sollte der Trainingssatz Fundusbilder aus mindestens zwei Einrichtungen sowie andere Netzhauterkrankungen umfassen. Der Testdatensatz benötigt mindestens 5.000 Fundusbilder mit ausreichender Repräsentation aller DR-Stadien.
Bekannte KI-Systeme umfassen IDP, IDx-DR, EyeArt und Google-Algorithmen. IDP, ein frühes System ohne DL-Techniken, zeigt hohe Sensitivität, aber geringe Spezifität. IDx-DR mit CNNs verbessert die Spezifität und erreicht in klinischen Studien zufriedenstellende Werte. EyeArt, das erste Smartphone-basierte System, demonstriert hohe Sensitivität/Spezifität im Remote-Screening. Googles Algorithmus ermöglicht durch einstellbare Schwellenwerte eine Kombination mit manueller Auswertung.
Die meisten KI-Systeme basieren auf Fundusfotografie, die jedoch Limitationen bei der DME-Erkennung aufweist. OCT-basierte KI-Systeme zeigen höhere Detektionsraten für DME, sind jedoch in ressourcenarmen Regionen aufgrund der Gerätekosten weniger zugänglich.
Limitationen in der klinischen Anwendung
Trotz Fortschritten bestehen Herausforderungen: (1) Online-Datensätze wie Messidor oder EyePACS repräsentieren reale Bildvarianten oft unzureichend, was zu Fehldiagnosen führen kann. (2) Fehlende einheitliche Standards erschweren den Vergleich von KI-Algorithmen. (3) Der „Black-Box“-Charakter von KI-Systemen wirft Fragen zur Nachvollziehbarkeit diagnostischer Entscheidungen auf. (4) Haftungsfragen bei KI-bedingten Fehldiagnosen sind ungeklärt. (5) Bei DR mit Katarakten oder anderen Medienunklaritäten ist die KI-Zuverlässigkeit reduziert. (6) Informationssicherheit bei großflächigem Screening ist kritisch. (7) Die Fokussierung auf Einzelerkrankungen limitiert den Nutzen in umfassenden Augenuntersuchungen.
Schlussfolgerungen und Ausblick
KI birgt großes Potenzial für DR-Screening und -Diagnostik. Zukünftige Entwicklungen könnten KI-Systeme auf portablen Geräten wie Smartphones etablieren, die Heimuntersuchungen ermöglichen – insbesondere relevant während der COVID-19-Pandemie. Die Integration fortgeschrittener Bildgebungstechniken (z. B. multispektrale Fundusbilder, OCT) könnte die Diagnosegenauigkeit steigern. KI-gestützte Systeme können Augenärzte bei präziseren und effizienteren Diagnosen unterstützen.
Um das Potenzial voll auszuschöpfen, müssen jedoch aktuelle Limitationen adressiert werden: Verbesserte Datensätze, standardisierte Evaluationskriterien, Erklärbarkeit der KI-Entscheidungen und Sicherheitsaspekte. In der initialen klinischen Implementierung könnte die Kombination von KI mit manueller Nachkontrolle der realistischste Ansatz sein.
doi.org/10.1097/CM9.0000000000001816