Axial Length Matters: Scaling Effects in Retinal Fundus Image Analysis

Die Studie zeigt, dass die Axiallänge systematische Verzerrungen in retinalen Gefäßmetriken verursacht, die durch eine Korrektur nach der Bennett-Littmann-Formel effektiv behoben werden können, um zuverlässige Biomarker für die Entwicklung von KI-Modellen zu gewährleisten.

Das Wesentliche

Das Grundproblem: Ein Foto, das lügt

Stell dir vor, du machst ein Foto von einem Baum.

• Wenn du nahe an den Baum herangehst, sieht er riesig aus.
• Wenn du weit weg stehst, sieht er winzig aus.

Das ist das Problem, das diese Forscher untersucht haben. Aber statt Bäumen geht es um die Blutgefäße in unserem Auge (auf dem sogenannten "Augenhintergrund" oder Fundus).

Die Wissenschaftler nutzen heute künstliche Intelligenz (KI), um diese Augenbilder zu analysieren. Sie hoffen, dass die Größe und Form der Blutgefäße verraten kann, ob jemand Herzprobleme hat, Diabetes oder sogar Alzheimer.

Aber hier liegt der Haken:
Jedes Auge ist anders gebaut. Manche Menschen haben kurze Augen (weitsichtig), andere haben sehr lange Augen (kurzsichtig).

• Bei einem langen Auge (wie bei einem Teleobjektiv, das weit weg ist) wirken die Blutgefäße auf dem Foto kleiner, als sie wirklich sind.
• Bei einem kurzen Auge (wie bei einem Weitwinkelobjektiv, das nah ist) wirken sie größer.

Die KI-Computer haben bisher oft nicht gewusst, dass das Auge des Patienten lang oder kurz ist. Sie haben alle Bilder so behandelt, als wären alle Augen gleich groß. Das ist, als würdest du versuchen, die Größe von Menschen zu messen, indem du sie alle auf ein Foto mit demselben Zoomfaktor legst, ohne zu wissen, wie weit sie vom Objektiv entfernt standen. Das Ergebnis wäre völlig falsch!

Was haben die Forscher gemacht?

Die Forscher (eine Gruppe aus Hongkong) haben sich über 2.300 Augenbilder von Kindern und jungen Erwachsenen angesehen. Sie haben eine alte, aber geniale Formel (die "Bennett-Littmann-Formel") benutzt, um das Problem zu lösen.

Stell dir das so vor:
Die Forscher haben eine magische Lineal-App entwickelt.

1. Sie messen erst, wie lang das Auge des Patienten wirklich ist (das "Axial Length").
2. Dann sagen sie der KI: "Hey, dieses Auge ist lang! Wir müssen das Bild also 'heranzoomen', um die wahre Größe der Gefäße zu sehen." Oder: "Dieses Auge ist kurz! Wir müssen das Bild 'herauszoomen'."

Die wichtigsten Erkenntnisse (in Zahlen)

Die Forscher haben herausgefunden, wie stark dieser "Zoom-Effekt" die Messungen verfälscht:

• Bei der Länge und Breite der Gefäße: Wenn das Auge nur 1 Millimeter länger ist als der Durchschnitt, messen die unkorrigierten Computer die Gefäße um etwa 4,5 % zu klein. Das klingt nach wenig, aber in der Medizin ist das riesig!
• Bei der Fläche (der "Menge" an Gefäßen): Da sich Flächen quadratisch verhalten, ist der Fehler noch größer. Pro 1 Millimeter Unterschied im Auge ist die gemessene Fläche um 9 bis 10 % falsch.
• Bei der Anzahl der Verzweigungen: Das ist interessant! Ob das Auge lang oder kurz ist, spielt für die Anzahl der Gabelungen in den Gefäßen keine Rolle. Das ist wie bei einem Straßennetz: Ob du die Karte vergrößerst oder verkleinerst, die Anzahl der Kreuzungen bleibt gleich.

Warum ist das so wichtig?

Stell dir vor, ein Arzt will wissen, ob ein Patient ein hohes Risiko für einen Herzinfarkt hat. Ein Warnsignal ist oft: "Die Blutgefäße in der Netzhaut sind zu dünn."

• Ohne Korrektur: Ein kurzsichtiger Patient (mit langem Auge) hat eigentlich normale Gefäße. Aber weil das Auge lang ist, sieht die KI sie auf dem Foto als "zu dünn" an. Der Arzt denkt: "Oh, Herzinfarktrisiko!" – Dabei ist der Patient gesund. Das wäre eine falsche Alarmierung.
• Mit Korrektur: Die KI rechnet die Länge des Auges heraus. Plötzlich sieht sie, dass die Gefäße eigentlich normal dick sind. Der Alarm schweigt.

Das Fazit der Studie

Die Forscher sagen ganz klar: Wir müssen aufhören, alle Augen als gleich groß zu behandeln.

Wenn wir KI-Systeme entwickeln, die Krankheiten vorhersagen sollen, müssen wir die tatsächliche Länge des Auges (die "Axial Length") mit einbeziehen. Nur so können wir sicherstellen, dass die Messungen der Blutgefäße die wahre biologische Realität widerspiegeln und nicht nur ein optischer Trick der Kamera sind.

Kurz gesagt: Bevor wir ein Maßband anlegen, müssen wir wissen, ob die Person, die wir messen, auf einem Stool steht oder im Keller steht. Nur dann ist das Maßband korrekt!

Technische Zusammenfassung

Technische Zusammenfassung: Axiale Länge ist entscheidend: Skalierungseffekte in der Analyse von retinalen Fundusbildern

1. Problemstellung

Retinale Fundusbilder werden zunehmend als nicht-invasive „Fenster" in die systemische Gesundheit genutzt, um Biomarker für kardiovaskuläre, neurologische und metabolische Erkrankungen (z. B. Diabetes, Alzheimer, chronische Nierenerkrankungen) zu extrahieren. Künstliche Intelligenz (KI) und Deep-Learning-Modelle nutzen quantitative Merkmale wie Gefäßdurchmesser, -länge, -fläche und Verzweigungspunkte zur Krankheitsvorhersage.

Ein kritisches, jedoch oft übersehenes Problem ist die optische Vergrößerung (Magnifikation), die durch individuelle Unterschiede in der axialen Länge (AL) des Auges verursacht wird.

• Bei langen Augen (Myopie) erscheinen retinale Strukturen auf dem Bild kleiner.
• Bei kurzen Augen (Hyperopie) erscheinen sie größer.
• Die meisten aktuellen KI-Algorithmen behandeln Bilder verschiedener Patienten als skaleninvariant (unter der Annahme einer einheitlichen Referenz-Axiallänge). Dies führt zu systematischen Fehlern: Gefäßmaße in myopischen Augen werden unterschätzt, in hyperopischen Augen überschätzt. Bisher fehlte eine quantitative Modellierung, wie sich dieser Fehler in Abhängigkeit von der axialen Länge für vaskuläre Biomarker verhält.

2. Methodik

Die Studie ist eine retrospektive Analyse von Daten der Augenoptik-Klinik der Hong Kong Polytechnic University.

• Kohorte: 2.309 klinische Visiten von Patienten im Alter von ≤ 21 Jahren (Alter: 3,17–20,67 Jahre). Der Altersbeschränkung liegt zugrunde, dass die axiale Verlängerung im Erwachsenenalter meist stagniert und altersbedingte Verwirrungsfaktoren reduziert werden sollen.
• Datenerfassung:
  • Axiale Länge (AL): Gemessen mit IOL Master 500 oder AL-Scan (Bereich 20–28 mm).
  • Fundusbilder: Aufgenommen mit drei Topcon-Kameras (verschiedene Auflösungen: 3216, 3696 und 4176 Pixel horizontal) bei einem nominalen Sichtfeld von 45°.
• Bildverarbeitung & Segmentierung:
  • Einsatz der automatisierten Software AutoMorph zur Erstellung binärer Gefäßmasken und Skelett-Darstellungen (1-Pixel-Linien).
  • Extraktion von Metriken im Pixelraum: Gefäßfläche ($A_{px}$), Skelettlänge ($L_{px}$), mittlerer Hauptgefäßdurchmesser ($D_{px}$) und Verzweigungszahl.
• Skalierungskorrektur (Magnifikationskorrektur):
  • Anwendung der Bennett–Littmann-Formel zur Berechnung des okulären Vergrößerungsfaktors $q(AL) = 0,01306 \times (AL - 1,82)$.
  • Berechnung der physikalischen Pixelgröße (mm/Pixel) basierend auf der tatsächlichen gemessenen AL vs. einer fiktiven Referenz-AL von 24,0 mm (Standardannahme ohne Korrektur).
  • Umrechnung der Pixel-Metriken in physikalische Einheiten (mm, mm²) für beide Szenarien (korrigiert vs. unkorrigiert).
• Statistische Analyse:
  • Berechnung des prozentualen Fehlers ($\Delta$) zwischen unkorrigierten und korrigierten Werten.
  • Lineare und polynomiale Regressionsmodelle zur Bestimmung der funktionellen Beziehung zwischen dem Fehler und der axialen Länge.

3. Wichtige Beiträge

1. Quantifizierung des Skalierungsfehlers: Erstmals wurde ein quantitatives Modell erstellt, das den systematischen Fehler vaskulärer Biomarker in Abhängigkeit von der axialen Länge beschreibt.
2. Geometrische Validierung: Die Studie bestätigt theoretische geometrische Erwartungen:
   • Lineare Metriken (Durchmesser, Länge) skalieren linear mit der AL.
   • Flächennmetriken (Gefäßfläche) skalieren quadratisch mit der AL.
   • Topologische Metriken (Verzweigungszahl) sind unabhängig von der Skalierung.
3. Praktische Korrekturformeln: Bereitstellung expliziter Gleichungen und Korrekturfaktoren, die direkt in KI-Pipelines integriert werden können, um Biomarker zu normalisieren.

4. Ergebnisse

• Einfluss auf lineare Metriken (Durchmesser & Länge):
  • Der Fehler beträgt ca. 4,5 % pro 1 mm Abweichung von der Referenz-AL (24 mm).
  • Formel für den Fehler: $\Delta D(\%) \approx 4,51 \times (AL - 24,0)$.
  • Bei $AL < 22$ mm (Hyperopie) werden Gefäße um ~8–10 % überschätzt.
  • Bei $AL \ge 26$ mm (Myopie) werden Gefäße um ~10–12 % unterschätzt.
• Einfluss auf Flächennmetriken:
  • Der Fehler ist deutlich höher und nicht-linear: ca. 9–10 % pro 1 mm Abweichung.
  • Bei $AL < 22$ mm wird die Fläche um ~17–20 % überschätzt.
  • Bei $AL \ge 26$ mm wird die Fläche um ~22–25 % unterschätzt.
  • Die Beziehung folgt einem quadratischen Modell ($R^2 = 1,00$).
• Verzweigungszahl: Keine signifikante Korrelation zur axialen Länge ($R^2 \approx 0,003$), da dies eine topologische Eigenschaft ist.
• Kamera-Unabhängigkeit: Die Skalierungseffekte waren konsistent über alle drei verwendeten Kameras mit unterschiedlichen Auflösungen hinweg, sobald die pixelbasierte Skalierung korrekt berechnet wurde.

5. Bedeutung und Implikationen

• Vermeidung von Fehldiagnosen: Ohne Korrektur können myopische Augen fälschlicherweise als „Gefäßverengung" (ein Risikofaktor für kardiovaskuläre Ereignisse) klassifiziert werden, während hyperopische Augen Risiken maskieren könnten. Dies führt zu systematischen Verzerrungen in populationsbasierten Studien und KI-Modellen.
• Standardisierung für KI: Die Autoren fordern, dass die Bennett–Littmann-Korrektur mit der tatsächlichen axialen Länge zum Standard in der quantitativen Fundusbildanalyse und der Entwicklung von KI-Biomarkern werden muss.
• Anwendbarkeit:
  • Wenn die AL bekannt ist: Direkte Integration der Korrektur in die Vorverarbeitungs-Pipeline.
  • Wenn die AL unbekannt ist: Nutzung der bereitgestellten Fehler-Tabellen oder Korrekturfaktoren, um die Unsicherheit in Abhängigkeit von der erwarteten AL-Verteilung der Kohorte abzuschätzen.
• Fazit: Die Vernachlässigung der axialen Länge führt zu signifikanten, systematischen Verzerrungen in retinalen Biomarkern. Eine individuelle Skalierungskorrektur ist essenziell, um die Genauigkeit und Vergleichbarkeit von Studien zu systemischen Erkrankungen zu gewährleisten.