Disease Spectrum Analysis and AI-Assisted Screening of Fundus Disorders Using Portable Handheld Fundus Imaging in Health Examination Populations

Die Welt klar zu sehen, ist ein grundlegender Teil des Menschseins, doch für Milliarden von Menschen verblasst diese Klarheit aufgrund von Augenerkrankungen, die oft keine Warnsignale zeigen, bis es zu spät ist. Die Rückseite des Auges, bekannt als Retina oder Netzhaut, ist eine empfindliche Gewebeschicht, die wie ein Kamerasensor fungiert und das Licht einfängt, das uns das Sehen ermöglicht. Wenn dieses Gewebe durch Bedingungen wie Diabetes, Bluthochdruck oder Alterung geschädigt wird, ist der Schaden oft dauerhaft. Da diese Probleme schleichend beginnen, verlassen sich Ärzte darauf, Bilder der Netzhaut aufzunehmen, um sie frühzeitig zu entdecken. Traditionell werden diese Bilder mit großen, teuren Maschinen aufgenommen, bei denen der Patient stillsitzen und in ein fest installiertes Gerät blicken muss. Ein neuer Typ von Kamera verändert jedoch gerade diese Landschaft. Dies sind kleine, handgehaltene Geräte, die ein Arzt in einer Hand halten kann, was es ermöglicht, fast überall Bilder der Netzhaut aufzunehmen – von einer belebten Gemeindeklinik bis hin zu einem routinemäßigen Untersuchungsraum. Die Herausforderung bestand darin, dass diese tragbaren Kameras schwieriger perfekt zu bedienen sind; die Bilder können unscharf oder schlecht beleuchtet sein, und es ist unklar, ob künstliche Intelligenz – die Computer-Software, die darauf ausgelegt ist, Krankheiten zu erkennen – diese unperfekten Bilder ebenso gut verarbeiten kann wie die perfekten Bilder aus Spezialkliniken.

Ein Forscherteam setzte sich zum Ziel, dieses Problem zu lösen, indem es testete, ob diese tragbaren Kameras verwendet werden könnten, um große Gruppen gesunder Menschen auf eine breite Palette von Augenerkrankungen hin zu untersuchen, nicht nur auf eine spezifische Erkrankung. Sie arbeiteten mit einer gewaltigen Sammlung von Bildern, die über einen Zeitraum von fünf Jahren von fast dreißigtausend Menschen aufgenommen wurden, die ein Krankenhaus in Peking zu Routine-Gesundheitschecks besuchten. Insgesamt sammelten sie mehr als achtundfünfzigtausend Bilder der Netzhaut. Da die Kameras handgehalten waren und bei Menschen eingesetzt wurden, die keine Patienten auf der Suche nach einer Augenuntersuchung waren, variierte die Qualität der Bilder stark. Einige waren kristallklar, während andere zu dunkel, zu unscharf oder falsch ausgerichtet waren, um nützlich zu sein. Die Forscher bauten zuerst ein Computersystem, das als strenger Türsteher fungierte und die Bilder in drei Gruppen sortierte: jene, die perfekt waren, jene, die gut genug zur Verwendung waren, und jene, die weggeworfen werden mussten. Dieser Schritt war entscheidend, da er sicherstellte, dass die Modelle der künstlichen Intelligenz nur mit Bildern trainiert wurden, die das Auge tatsächlich klar zeigten. Nach diesem Reinigungsprozess blieben ihnen über fünfunddreißigtausend hochwertige Bilder übrig, um die tatsächliche Gesundheit der Bevölkerung zu untersuchen.

Was die Forscher fanden, war ein klares Bild davon, wie sich die Augengesundheit mit zunehmendem Alter verändert. In der Gruppe der Bilder, die sie analysierten, zeigten etwa ein Drittel Anzeichen von Problemen am Auge. Das häufigste Problem war mit Abstand die Veränderung im Zusammenhang mit Kurzsichtigkeit, die fast zwanzig Prozent der Menschen betraf. Dies ergibt Sinn, wenn man bedenkt, dass die Studie viele junge und mittelalte Erwachsene einschloss. Die Art der Krankheit hing jedoch stark vom Alter ab. Jüngere Menschen hatten hauptsächlich Probleme im Zusammenhang mit Kurzsichtigkeit, aber mit zunehmendem Alter verschoben sich die Probleme. Bei Menschen über sechzig waren die häufigsten Befunde Erkrankungen der Blutgefäße im Auge sowie eine Degeneration des zentralen Teils der Netzhaut – Zustände, die typischerweise mit dem Altern und der allgemeinen Gesundheit assoziiert werden. Diese Entdeckung ist wichtig, da sie nahelegt, dass Screening-Programme für das Auge kein „Einheitsmodell“ sein sollten; wonach Ärzte bei einem Dreißigjährigen suchen sollten, unterscheidet sich von dem, wonach sie bei einem Siebzigjährigen suchen sollten.

Um zu sehen, ob Computer Ärzten helfen könnten, diese Probleme schneller zu finden, testete das Team zwölf verschiedene Arten von Modellen der künstlichen Intelligenz. Sie baten diese Modelle, zwei Dinge zu tun: erstens zu entscheiden, ob ein Bild ein gesundes oder ein ungesundes Auge zeigt, und zweitens genau zu identifizieren, welche Art von Krankheit vorliegt, falls das Auge ungesund ist. Die Ergebnisse waren ermutigend für die erste Aufgabe. Die Computermodelle waren sehr gut darin, zu erkennen, wenn etwas nicht stimmte, und identifizierten abnormale Augen in mehr als neunzig Prozent der Fälle korrekt. Dies bedeutet, dass eine Handkamera in Kombination mit dieser Art von Software zuverlässig Menschen markieren könnte, die einen Spezialisten aufsuchen müssen. Die zweite Aufgabe war jedoch wesentlich schwieriger. Als die Modelle versuchten, die spezifische Krankheit zu benennen, sank ihre Genauigkeit erheblich. Sie verwechselten oft verschiedene Arten von Gefäßproblemen oder hatten Schwierigkeiten, zwischen verschiedenen Arten von Gewebeschäden zu unterscheiden. Dies deutet darauf hin, dass Computer zwar exzellent darin sind, als erster Filter zu fungieren, um potenzielle Probleme abzufangen, aber noch nicht bereit sind, einen menschlichen Arzt bei der Diagnose des exakten Zustands anhand eines Handfotos zu ersetzen.

Die Forscher testeten auch eine neue Generation fortgeschrittener Computermodelle, die auf Millionen von Standard-, hochwertigen Augenbildern aus großen Kliniken trainiert worden waren. Sie hofften, dass diese „Foundation-Modelle“ intelligenter und besser im Umgang mit den unordentlichen, realen Bildern aus den Handheld-Kameras sein würden. Überraschenderweise schnitten diese fortgeschrittenen Modelle nicht besser ab als die einfacheren, leichteren Modelle. Tatsächlich hatten die spezialisierten Modelle manchmal sogar größere Schwierigkeiten, wahrscheinlich weil die Bilder aus den kleinen Handheld-Kameras zu anders aussah als die perfekten Bilder, auf denen sie trainiert worden waren. Die einfacheren Modelle, die schneller sind und weniger Rechenleistung benötigen, machten tatsächlich die beste Arbeit. Dieser Befund ist ein praktischer Leitfaden für die Zukunft: Für ein breites Screening mit tragbaren Geräten benötigen wir nicht die komplexeste, schwergewichtige künstliche Intelligenz. Wir brauchen Werkzeuge, die robust genug sind, um unperfekte Bilder zu verarbeiten, und schnell genug, um tausende Bilder am Tag zu verarbeiten.

Letztendlich beweist diese Studie, dass es möglich ist, kleine, tragbare Kameras einzusetzen, um große Menschenmengen auf viele verschiedene Augenerkrankungen hin zu untersuchen, sofern ein System vorhanden ist, das die Qualität der Bilder überprüft. Die Forschung zeigt, dass Augenerkrankungen einem vorhersagbaren Muster basierend auf dem Alter folgen, wobei Kurzsichtigkeit bei Jüngeren dominiert und Gefäßerkrankungen bei Älteren überhandnehmen. Sie zeigt auch, dass künstliche Intelligenz ein mächtiger Partner beim Aufspüren dieser Probleme sein kann, die Technologie aber noch nicht perfekt darin ist, jede spezifische Krankheit beim Namen zu nennen. Die Arbeit legt den Grundstein für eine neue Art des Schutzes der Sehkraft, bei der routinemäßige Gesundheitsuntersuchungen eine schnelle, schmerzfreie Untersuchung der Netzhaut beinhalten könnten, um Probleme frühzeitig zu erkennen, bevor sie zu Blindheit führen. Durch die Kombination eines einfachen Handheld-Geräts mit intelligenter Software und einem klaren Verständnis dafür, wie sich Augenerkrankungen im Laufe eines Lebens verändern, können wir uns auf eine Zukunft zubewegen, in der die Augengesundheit so routinemäßig überwacht wird wie der Blutdruck oder das Gewicht.