© Cornelius / Generated with AI / Stock.adobe.com
Eine umfassende Definition bietet zum Beispiel die KI-Verordnung der EU: ein KI-System ist ein maschinengestütztes System, das für einen in unterschiedlichem Grade autonomen Betrieb ausgelegt ist und das nach seiner Betriebsaufnahme anpassungsfähig sein kann sowie das aus den erhaltenen Eingaben für explizite oder implizite Ziele ableitet, wie Ausgaben wie etwa Vorhersagen, Inhalte, Empfehlungen oder Entscheidungen erstellt werden, die physische oder virtuelle Umgebungen beeinflussen können.
Erste KI-Systeme
Die ersten klinisch eingesetzten KI-Systeme in der Medizin gibt es bereits seit den 1970er Jahren, aber erst durch die Anwendung von modernen Modellen des maschinellen Lernens (ML), vor allem des Deep Learnings (DL) ab 2006, haben sich viele KI-Systeme in vor allem bildgestützten Teilbereichen der Medizin (z.B. Radiologie, Pathologie, Dermatologie) etabliert. Auch in der Ophthalmologie ist mit IDx-DR seit 2018 ein autonomes KI-System für das Screening der diabetischen Retinopathie zugelassen.
Diagnostik des Glaukoms
Die Diagnose des Glaukoms wird anhand struktureller sowie auch funktioneller Parameter gestellt. Diese Parameter können als Fundusfoto oder OCT, respektive Gesichtsfeld analysiert und dokumentiert werden und sind damit KI-Systeme zugänglich. Fundusfotos wurden bereits in den 1950er Jahren verwendet, um anhand von Expertensystemen (eine frühe Form von KI) analysiert zu werden. Eine wesentliche Einschränkung dieser frühen Systeme war aber vor allem die Abhängigkeit von der Güte der Annotation der Daten durch Experten. Die Entwicklung künstlicher neuronaler Netzwerke (KNN) führte ab 2000 zu effizienteren Modellen des ML, insbesondere des DLs. Hierbei werden eine Anzahl von KNN Schichten verwendet, welche Merkmale aus einer Datenmenge analysieren und dies auch unüberwacht durchführen können, wodurch keine Annotation der verwendeten Bilder notwendig ist.
Diagnose mittels KI
Fundusfotos in akzeptabler Qualität können heutigentags bereits mit Handys aufgenommen werden, sodass eine Verschränkung mit KI-unterstützter Interpretation ein effizientes Screening außerhalb medizinischer Einrichtungen ermöglicht. So erreichte beispielsweise eine tragbare Funduskamera mit offline-KI Unterstützung (FOP-NM 10 mit Medios Glaucoma AI) im Rahmen einer Studie im ländlichen Indien eine Sensitivität von 0,91 bei einer Spezifität von 0,93. Weiters konnte ein Netzwerk mehrerer DL-Modelle (AI-GS) aus Japan auch frühe Anzeichen eines Glaukoms (z.B. Papillenrandblutungen oder lokalen Nervenfaserdefekten) mit hoher Genauigkeit erkennen. Mit einer Gesamtgröße von 110 MB ist dieses System für den extramuralen Einsatz prädestiniert. OCT-Parameter können bereits mit einer „area under the curve“ (AUC) von bis zu 0,96 ein Glaukom diagnostizieren. Durch DL-Modelle kann die AUC auf bis zu 0,99 gesteigert werden. Gesichtsfeld-Parameter sind prinzipiell vor allem ML-Modellen zugänglich, die daher früh angewendet wurden und eine höhere Genauigkeit bezüglich der Diagnose eines Glaukoms zeigten. DL-Modelle wurden später anhand Gesichtsfeld-Ausdrucken entwickelt und ergaben eine AUC bis zu 0,93.
Viele Möglichkeiten
Eine weitere Einsatzmöglichkeit für KI-Modelle besteht darin, den Beginn oder auch den individuellen Verlauf einer Glaukomerkrankung zu prognostizieren. Mithilfe eines mit rund 60.000 Fundusfotos trainiertem DL-Modells konnte mit einer AUC von 0,88 eine Glaukomdiagnose in den folgenden ein bis drei Jahren berechnet werden. Weitere DL-Modelle wurden für die Voraussage von Gesichtsfeldern beziehungsweise OCT-Befunden erfolgreich entwickelt. Während also autonome KI-Systeme das Screening anhand von Fundusfotos oder OCT-Aufnahmen effizient gestalten könnten, würden andere, eher assistierende KI-Systeme die Betreuung im Laufe einer Glaukomerkrankung in Bezug auf Therapieintensität beziehungsweise Kontrollfrequenz individualisieren. Aber es bestehen weiterhin Herausforderungen auf dem Weg zur klinischen Implementierung solcher KI-Systeme, die systemimmanent sein können, wie zum Beispiel die eingeschränkte Erklärbarkeit der Ergebnisse oder die oftmals geringe Diversität der Trainingsdaten, oder mit der nicht eindeutigen Definition des (frühen) Glaukoms oder einer Progression. Generelle Fragen betreffen die Kosteneffizienz, die Datensicherheit sowie medikolegale Überlegungen. Aber KI kann auch als generatives adversariales Netzwerk dazu genützt werden, Bilder von geringer Auflösung zu verbessern oder synthetische Bilder zu generieren, welche die internationale Zusammenarbeit im Rahmen von Studien erheblich erleichtern könnte.
Zusammenfassung
Aufgrund gestiegener technischer Möglichkeiten und verfügbarer Datenmengen können bereits heute mehrere Firmen (z.B. Icare RETCAD, Retinalyze oder AEYE) KI-Lösungen zum Screening von Glaukomen anbieten. Hierdurch wird die Art und Weise, wie Glaukome weltweit entdeckt und betreut werden, wohl deutlich verändert werden. Bedenkt man, wie hoch die Rate an unerkannten Glaukomen nach wie vor ist und wieviele Glaukompatient:innen im Laufe ihres Lebens durch ihre Erkrankung hochgradig eingeschränkt werden, ist sicherlich jede Hilfe willkommen.◗
