KI-Studie zeigt, dass ein Netzhautbildgebungssystem die Diagnose erblicher Erkrankungen verbessert

Ein KI-Assistent für die Diagnose von Netzhauterkrankungen erzielt starke Studienergebnisse

Eine in Nature Medicine veröffentlichte multizentrische randomisierte Studie berichtet, dass ein auf künstlicher Intelligenz basierendes klinisches Entscheidungsunterstützungssystem die diagnostische Leistung bei Verdacht auf erbliche Netzhauterkrankungen deutlich verbesserte, einer Gruppe von Erkrankungen, die im klinischen Alltag schwer schnell und präzise zu klassifizieren sind.

Das System namens Retina4IRD wurde entwickelt, um Spezialisten dabei zu helfen, wahrscheinliche Genotyp-Kategorien aus Netzhautbildern vorherzusagen. In der Studie erreichten Spezialisten, die das Tool nutzten, eine deutlich höhere Top-5-Genauigkeit bei genetischen Vorhersagen als Spezialisten ohne das Tool. Das Ergebnis adressiert einen seit Langem bestehenden Engpass in der Augenheilkunde, in der erbliche Netzhauterkrankungen oft eine intensive Phänotypisierung, multidisziplinäre Interpretation und genetische Tests erfordern, bevor eine gesicherte Diagnose gestellt werden kann.

Erbliche Netzhauterkrankungen, oder IRDs, sind keine einzelne Störung, sondern eine Sammlung genetischer Erkrankungen, die die Netzhaut betreffen. Ihr klinisches Erscheinungsbild kann sich überschneiden, sodass Ärztinnen und Ärzte oft mehrere Arten von Evidenz kombinieren müssen, bevor die wahrscheinliche Ursache eingegrenzt werden kann. Dieser Prozess kann langsam, ressourcenintensiv und je nach Versorgungssituation uneinheitlich sein, insbesondere dort, wo tiefes subspezialisiertes Fachwissen begrenzt ist.

Wie Retina4IRD entwickelt wurde

Laut der Studie sagt Retina4IRD 17 Genotyp-Kategorien aus Netzhautbildern voraus. Das Forschungsteam entwickelte das Modell mit einer Vision-Transformer-Architektur, die mit RETFound vortrainiert wurde, und trainierte und validierte es anschließend mit multimodalen Bilddaten von genetisch bestätigten Patientinnen und Patienten aus China, Südkorea und Polen.

Der Datensatz umfasste Farbfundusaufnahmen und optische Kohärenztomographie-Scans von 1.843 genetisch bestätigten Patientinnen und Patienten, entsprechend 3.376 Augen. Dieser internationale Trainings- und Validierungssatz ist wichtig, weil die IRD-Diagnose sowohl von der Krankheitsvielfalt als auch von Unterschieden in der Bildgebungspraxis zwischen Standorten beeinflusst werden kann. Die Leistung in der externen Validierung ist daher ein zentraler Test dafür, ob ein System über die Institution hinaus tragfähig ist, in der es entwickelt wurde.

In der internen Validierung erreichte das Modell eine Top-5-Vorhersagegenauigkeit von 0,904 mit einem 95%-Konfidenzintervall von 0,896 bis 0,912. In der externen Validierung lag die Top-5-Genauigkeit bei 0,856 mit einem 95%-Konfidenzintervall von 0,850 bis 0,863. Diese Werte deuten darauf hin, dass das Modell auch außerhalb seiner Entwicklungsumgebung eine starke Leistung beibehielt, allerdings mit dem erwarteten Rückgang gegenüber dem internen Test.

Die Studie versteht das Tool nicht als Ersatz für klinische Beurteilung oder genetische Sequenzierung, sondern als Entscheidungsunterstützung, die Klinikerinnen und Klinikern helfen kann, die wahrscheinlichsten genetischen Erklärungen früher im diagnostischen Pfad zu priorisieren.

Randomisierte Studie zeigt Zugewinne bei Spezialisten

Die stärkste Evidenz in der Arbeit stammt aus einer randomisierten kontrollierten Studie mit 300 Teilnehmenden mit Verdacht auf IRD. Die Teilnehmenden wurden 1:1 entweder einer Retina4IRD-unterstützten Spezialisten-Gruppe oder einer Gruppe mit Spezialisten allein zugeteilt. Von den Eingeschlossenen lagen bei 295 Teilnehmenden Next-Generation-Sequencing-Berichte vor, und sie wurden in die Endanalyse aufgenommen.

Das Medianalter der Analysierten betrug 33 Jahre, und 114 Teilnehmende, also 38,6 %, waren weiblich. Der primäre Endpunkt der Studie wurde erreicht. Spezialisten, die das KI-gestützte Tool nutzten, erzielten eine Top-5-Genauigkeit von 88,5 %, verglichen mit 67,3 % in der Spezialisten-allein-Gruppe, ein Unterschied, der laut Arbeit statistisch signifikant war mit einem P-Wert von weniger als 0,001.

Die Arbeit berichtet zudem, dass die sekundären Endpunkte von Top-1 bis Top-4 ebenfalls zugunsten des Retina4IRD-unterstützten Arms ausfielen. Zusammengenommen legen diese Ergebnisse nahe, dass das System nicht bloß zusätzliche Optionen zu einer langen Liste hinzugefügt hat. Es verbesserte die Rangfolge über den gesamten Vorhersagestapel hinweg und machte die plausibelsten genetischen Kategorien wahrscheinlicher an der Spitze sichtbar.

Dieser Unterschied ist in der Praxis wichtig. Wenn Spezialisten aus Bilddaten eine kleinere, qualitativ hochwertigere Menge wahrscheinlicher Genotyp-Kategorien identifizieren können, könnten nachfolgende Tests und Interpretationen gezielter werden. In Umgebungen mit begrenzter Kapazität für genetische Tests könnte ein besseres frühes Triage-Signal helfen, die Aufmerksamkeit von Spezialisten effizienter zu verteilen.

Was die Ergebnisse verändern könnten

Die Bedeutung der Arbeit liegt in der Art der Evidenz, die sie liefert. Viele medizinische KI-Studien bleiben bei retrospektiver Validierung stehen, bei der Algorithmen auf historischen Daten getestet werden, aber nicht in live oder quasi-live klinischen Abläufen evaluiert werden. Hier gingen die Forschenden weiter und führten einen randomisierten Vergleich zwischen KI-unterstützten und nicht unterstützten Spezialisten durch.

Das beantwortet jedoch nicht alle Fragen der Implementierung. Der bereitgestellte Studientext behauptet nicht, dass Retina4IRD eigenständig eine endgültige Diagnose stellt, und deutet auch nicht an, dass genetische Tests übersprungen werden können. Stattdessen weisen die Ergebnisse auf eine praktischere kurzfristige Rolle für KI in der Versorgung seltener Erkrankungen hin: bessere Entscheidungsunterstützung in Bereichen, in denen die Diagnose derzeit von knapper Expertise und zeitaufwendiger Beurteilung abhängt.

Der grenzüberschreitende Entwicklungsdatensatz deutet auch auf einen größeren Anspruch hin. IRDs sind selten genug, dass der Aufbau robuster Trainingsdaten schwierig ist, und internationale Zusammenarbeit ist oft nötig, um klinisch relevante Variation zu erfassen. Sollten weitere Studien die Ergebnisse in breiteren Populationen und Versorgungssystemen bestätigen, könnten Netzhautbildmodelle zu einer immer wichtigeren Ebene zwischen Bildaufnahme und molekularer Bestätigung werden.

Für den Moment ist die Kernbotschaft klar. In einem randomisierten multizentrischen Setting verbesserte ein KI-basiertes Unterstützungssystem die Fähigkeit von Spezialisten erheblich, die genetische Kategorie hinter dem Verdacht auf eine erbliche Netzhauterkrankung vorherzusagen. In einem Feld, in dem diagnostische Verzögerungen Therapieentscheidungen, Beratung und die Eignung für künftige gentargetierte Interventionen beeinflussen können, ist das ein folgenreicher Schritt.

Dieser Artikel basiert auf einer Berichterstattung von Nature Medicine. Den Originalartikel lesen.