Automatisierte Vorsorgeuntersuchung auf diabetische Retinopathie in einer diabetologischen Ambulanz – Vergleich von 2 auf künstlicher Intelligenz basierenden Algorithmen RetCAD und OphtAI

Zusammenfassung

Hintergrund Der Einsatz von künstlicher Intelligenz (KI) bietet sich für die Früherkennung der diabetischen Retinopathie (DR) anhand von Netzhautbildern an. Voraussetzung ist, dass die eingesetzte KI, die unter Studienbedingungen erzielte Performance auch unter Real-World-Gegebenheiten erreicht. Ziel dieser Studie ist es, die auf KI-basierenden Algorithmen RetCAD und OphtAI in der aktuellsten Version für die Vorsorgeuntersuchung auf DR in einer diabetologischen Ambulanz zu testen.

Patienten und Methoden Im Zeitraum von August bis November 2023 wurden 150 Personen mit Diabetes im ambulanten Behandlungszentrum der Diabetologie am Universitätsklinikum rekrutiert. Bei jedem Studienteilnehmer wurden Fundusbilder mit der mobilen Kamera Aurora (Optomed Plc, Oulu, Finnland) in Miosis aufgenommen. Die Aufnahmen wurden vom Augenarzt und von den auf KI basierenden Algorithmen RetCAD Version 2.2.0 (Thirona Retina, Nijmegen, Niederlande) und OphtAI Version 2.3.4 (Groupe Evolucare Technologies, Le Pecq, Frankreich) auf das Vorliegen einer DR untersucht. Der Schweregrad der DR wurde anhand der internationalen Klassifikation eingeteilt. Personen mit Diabetes ohne DR oder einer milden DR wurde eine augenärztliche Kontrolle in einem Jahr empfohlen. Bei Vorliegen einer moderaten, schweren oder proliferativen DR erfolgte eine Überweisung an den behandelnden Augenarzt.

Ergebnisse Bei 123 von 143 (86,0%) Personen mit Diabetes wurde keine DR und bei 10 (7,3%) eine milde DR erkannt. Alle Patienten mit einer moderaten DR 7 (5,0%), einer schweren 2 (1,5%) und einer proliferativen DR 1 (0,7%) wurden als überweisungsbedürftige DR zusammengefasst und stellten einen Anteil von 7,3% dar. Der auf KI basierende Algorithmus RetCAD Version 2.2.0 erreichte eine Sensitivität von 90% und eine Spezifität von 100% für die Erkennung einer überweisungsbedürftigen DR im Vergleich zur augenärztlichen Bildbeurteilung. RetCAD bewertete 98% der Bilder für die Bildanalyse als ausreichend oder besser. Der zweite KI-basierte Algorithmus OphtAI Version 2.3.4 erzielte eine Sensitivität von 70% und eine Spezifität von 100% für die Detektion einer überweisungsbedürftigen DR. Eine Bildanalyse konnte bei allen Aufnahmen durchgeführt werden.

Schlussfolgerung RetCAD erreichte im klinischen Einsatz für das Erkennen einer überweisungsbedürftigen DR die unter Studienbedingungen angegebene Performance. Der zweite Algorithmus OphtAI erkannte weniger Patienten mit moderater DR, was sich in einer geringeren Sensitivität widerspiegelte. Von beiden Algorithmen wurden alle Patienten mit schwerer und proliferativer DR richtig zugeordnet. Die getesteten KI-basierten Algorithmen RetCAD und OphtAI scheinen für den Einsatz in einer Diabetesambulanz beziehungsweise in der Primärversorgung geeignet.

 

Scroll to top

Schlüsselwörter

künstliche Intelligenz - RetCAD - OphtAI - diabetische Retinopathie - Vorsorgeuntersuchung - Aurora

Einleitung

Die Prävalenz des Diabetes mellitus liegt bei ca. 8,9% der Erwachsenenbevölkerung in Deutschland [1]. Bereits bei jeder fünften Person mit Diabetes sind diabetische Netzhautveränderungen nachweisbar. Die DR stellt die Hauptursache für eine vermeidbare Sehbeeinträchtigung und Blindheit im erwerbstätigen Alter dar. Wenn die Netzhauterkrankung frühzeitig erkannt wird, ist die Prognose aufgrund der Therapiemöglichkeiten mittels Laserkoagulation und intravitrealer Medikamenteneingabe sehr gut [2].

Aus diesem Grund ist die Vorsorgeuntersuchung bei der DR von entscheidender Bedeutung, da eine Sehbeeinträchtigung vom Patienten selbst erst in einem weit fortgeschrittenen Stadium der Erkrankung bemerkt wird. In Deutschland werden Netzhautkontrollen je nach Risikokonstellation alle 1 bis 2 Jahre empfohlen.

Im Jahr 2020 wurde die 2-jährige augenärztliche Vorsorgeuntersuchung laut Disease Management Programme (DMP) in Nordrhein-Westfalen bei nur 66,7% der Personen mit Diabetes durchgeführt [1].

In den Jahren 2002 bis 2017 ist in Deutschland die Zahl der Erkrankten mit DR um 15% gestiegen, während die augenärztliche Versorgungskapazität im gleichen Zeitraum nur um 1% zugenommen hat [3].

Der Einsatz von künstlicher Intelligenz bietet sich für ein Screening an, da mittels Netzhautkamera und einem auf KI basierendem Algorithmus zur Bildanalyse die Vorsorgeuntersuchung schnell und Ressourcen schonend durchgeführt werden kann [4]. Dadurch könnte die Vorsorgeuntersuchung im Rahmen des Arzttermines beim Diabetologen oder Hausarzt erfolgen. Dies erhöht zusätzlich die Bereitschaft der Patienten am Augenscreening teilzunehmen [5], [6]. Sobald eine moderate, schwere oder proliferative DR im Rahmen der automatisierten Vorsorgeuntersuchung festgestellt würde, könnten die Patienten zur Mitbeurteilung an den behandelnden Augenarzt überwiesen werden.

In Deutschland wird die KI-basierte Vorsorgeuntersuchung auf DR positiv bewertet und laut der Nationalen Versorgungsleitlinie als „zukünftig grundsätzlich geeignet“ angesehen [1]. Allerdings wird die Fundusfotografie, die für eine KI-basierte Vorsorgeuntersuchung auf DR notwendig ist, aktuell nicht von den gesetzlichen Krankenkassen erstattet und entspricht einer IGeL-Leistung.

In den Vereinigten Staaten von Amerika wurde bereits im Jahr 2018 das erste automatisierte Screening-System für DR zugelassen [7]. Die Vergütung für diese Leistung erfolgt über die Krankenkasse und kann seit 2021 in den USA abgerechnet werden [8].

Viele Studien belegen, dass die KI-gestützte Bildbeurteilung der augenärztlichen ebenbürtig ist [4]. Allerdings gibt es Hinweise in der Literatur, dass die Algorithmen unter realen Bedingungen schlechter abschneiden, im Vergleich zu den unter Studienbedingungen erzielten Ergebnissen [9], [10].

Aufgrund der ständigen Optimierung der Algorithmen ist damit zu rechnen, dass sich die Performance unter Real-World-Gegebenheiten weiter verbessern wird.

Ziel dieser Studie ist es daher, die aktuellsten Versionen der beiden kommerziell erhältlichen KI-basierten Algorithmen RetCAD und OphtAI unter realen Bedingungen zu testen und zu vergleichen.

 

Scroll to top

Material und Methoden

Die Studie wurde in Übereinstimmung mit der Deklaration von Helsinki und nach positivem Votum der Institutionellen Ethikkommission des Universitätsklinikums durchgeführt. Von August bis November 2023 wurden 150 Patienten mit bekanntem Diabetes mellitus Typ 1 oder Typ 2 im Rahmen der diabetischen Kontrolluntersuchung rekrutiert. Die einzigen Einschlusskriterien waren ein bekannter Diabetes mellitus und Volljährigkeit. Die Teilnehmer wurden über die Studie aufgeklärt und unterzeichneten eine schriftliche Einverständniserklärung. Zuerst erfolgte die diabetologische Untersuchung im ambulanten Behandlungszentrum und anschließend wurde vor Ort, die Vorsorgeuntersuchung auf diabetische Retinopathie durchgeführt.

Hierfür wurde die handgehaltene Kamera Aurora (Optomed Plc, Oulu, Finnland) verwendet. Das Gerät hat eine CE-Kennzeichnung und ist bisher die einzige mobile Kamera, die in Kombination mit dem Algorithmus von AEYE-DS (AEYE Health, Inc, Tel Aviv, Israel) als automatisiertes Screening-System für DR in den USA zugelassen ist. Die Kamera ist für Aufnahmen in Miosis geeignet und hat einen Aufnahmewinkel von 50 Grad.

Es wurden in einem abgedunkelten Raum in der Diabetesambulanz insgesamt 4 Bilder je Patient aufgenommen. Ein Foto mit der Papille und eines mit der Makula im Bildzentrum. Bei schlechter Bildqualität wurden die Aufnahmen wiederholt. Falls es dennoch nicht möglich war, in Miosis Netzhautfotos in ausreichender Bildqualität zu bekommen, wurde den Patienten eine Untersuchung in Mydriasis angeboten.

Alle Bilder wurden in der webbasierten Datenmanagement-Software Harmony (Topcon Medical Systems,Oakland, USA) gespeichert.

In einem ersten Schritt wurden alle Netzhautfotos vom Augenarzt befundet. Die DR wurde anhand der ICDR-Klassifikation eingeteilt [11]. Patienten mit keinen Netzhautveränderungen oder einer milden DR wurde eine augenärztliche Kontrolle in einem Jahr empfohlen.

Bei Vorliegen einer moderaten, schweren oder proliferativen DR erfolgte eine Überweisung an den behandelnden Augenarzt. Aus diesem Grund wurden die Schweregrade moderate, schwere und proliferative DR unter dem Überbegriff der überweisungsbedürftigen DR zusammengefasst.

Die Einstufung des Patienten richtete sich nach dem Auge mit dem höheren Schweregrad.

In einem zweiten Schritt wurde die KI-basierte Software RetCAD v.2.2.0 (Thirona Retina, Nijmegen, Niederlande) in der aktuellsten Version verwendet [12], [13]. Es handelt sich um ein Medizinprodukt der Klasse IIa, das seit dem Jahr 2022 in der EU zertifiziert ist. Die Zulassung bezieht sich auf die Software und ist unabhängig davon, welche Kamera verwendet wurde. RetCAD v.2.2.0 ist ein KI-basiertes Programm, das auf Deep Learning beruht und mehrere Algorithmen für die Beurteilung der Bildqualität und die Klassifikation der DR verwendet. Die Bildqualität gilt ab einem Wert von kleiner 25 als unzureichend für die Bildanalyse.

Die DR wurde vom KI-basierten Algorithmus analog der ICDR-Klassifikation in 5 Schweregrade eingeteilt: Bei einem Score von kleiner 1 liegt keine DR vor. Ein Wert von 1 bis kleiner 2 spricht für das Vorliegen einer milden DR. Bei einem Score von 2 bis kleiner 3 handelt es sich um eine moderate DR. Bei einem Wert von 3 bis kleiner 4 liegt eine schwere nicht proliferative DR und ab 4 eine proliferative DR vor.

Ein Befundbericht für den Patienten wurde erstellt, wenn für jedes Auge mindestens ein Fundusfoto in ausreichender Bildqualität vorlag [14], [15] ([Abb. 1]).

Abb. 1 a Beispiel für einen Befundbericht der RetCAD-Analyse auf Patientenebene. b Fundusbilder zu a, mit Beurteilung der Bildqualität.

Des Weiteren wurden auf den Fundusfotos von der KI-basierten Software erkannte auffällige Netzhautareale farbig markiert und als sogenannte Heatmap dargestellt.

In einem dritten Schritt wurde der auf KI-basierende Algorithmus OphtAI Version 2.3.4 (Groupe Evolucare Technologies, Le Pecq, Frankreich) angewendet. Es handelt sich ebenfalls um ein Medizinprodukt der Klasse IIa.

OphtAI Version 2.3.4 ist ein KI-basiertes Programm, das auf Deep Learning beruht und ebenfalls mehrere Algorithmen für die Beurteilung der Bildqualität und die Klassifikation der DR verwendet. Die Bildqualität wird in 2 Stufen eingeteilt: gut und schlecht. Die DR wurde anhand der ICDR-Klassifikation in 5 Schweregrade eingeteilt.

Des Weiteren wurden von dem KI-basierten Algorithmus alle auffälligen Netzhautareale farbig markiert und in Form einer Heatmap dargestellt. Ein Befundbericht wurde für jedes Fundusfoto erstellt ([Abb. 2]).

Abb. 2 Beispiel für einen Befundbericht der OphtAI-Analyse für das rechte Auge, Aufnahme mit dem Sehnerv im Zentrum.

Am Ende der Bildauswertung bekam jeder Studienteilnehmer mit überweisungsbedürftiger DR oder auffälligem Nebenbefund eine schriftliche Mitteilung. Der behandelnde Augenarzt wurde ebenfalls informiert.

Folgende statistische Methoden wurden angewendet: Die Daten wurden auf Konsistenz geprüft, Sensitivität, Spezifität, neg. und pos. prädiktiver Wert und Gesamtgenauigkeiten wurden mit zugehörigen 95%-Konfidenzintervallen berechnet. Die Daten wurden mittels STATISTICA 13 (Hill, T. & Lewicki, P. Statistics: Methods and Applications. StatSoft, Tulsa, OK) analysiert.

 

Scroll to top

Ergebnisse

Bei 143 von 150 Studienteilnehmern konnten die erhobenen Bilddaten ausgewertet werden. Sieben Patienten wurden aus den folgenden Gründen ausgeschlossen: Für 5 Personen mit Diabetes war keine Aufnahme in Miosis möglich und es wurde eine Untersuchung in Mydriasis abgelehnt. Bei 2 Patienten wurden weniger als 4 Aufnahmen gemacht.

Die Studienpopulation der Diabetologie des Ambulanten Behandlungszentrum am Universitätsklinikum setzte sich wie folgt zusammen: Das Durchschnittsalter der Patienten betrug 56 Jahre (von 21 bis 98 Jahre). Der Anteil an Frauen lag bei 42%, der der Männer bei 58%. Bei 29% der Patienten lag ein Diabetes mellitus Typ 1 und bei 71% ein Typ 2 vor. Der mittlere HbA_1c betrug 7,4% (4,8% – 12,3%; [Tab. 1]).

Tab. 1 Charakteristika der Studienpopulation.

Charakteristika der Studienpopulation	arithmetisches Mittel
1 Min–Max, 2 Häufigkeit
Alter in Jahren	56 (21 – 98)1
Frauen	58 (42%)2
Männer	80 (58%)2
Diabetes mellitus Typ 1	40 (29%)2
Diabetes mellitus Typ 2	98 (71%)2
HbA1c in %	7,4 (4,8 – 12,3)1

Bei 123 von 143 (86,0%) Personen mit Diabetes wurde keine DR und bei 10 (7,3%) eine milde DR erkannt. Alle Patienten mit einer moderaten DR 7 (5,0%), einer schweren 2 (1,5%) und einer proliferativen DR 1 (0,7%) wurden als überweisungsbedürftige DR zusammengefasst und stellten einen Anteil von 7,3% dar. Die Ergebnisse der KI-basierten Algorithmen für das Screening auf eine überweisungsbedürftige DR wurden als Vierfeldertafeln anschaulich dargestellt ([Tab. 2] und [3]).

Tab. 2 Vierfeldertafel zur Untersuchung des KI-basierten Algorithmus RetCAD zum Screening auf überweisungsbedürftige DR bei 143 Personen mit Diabetes.

		Augenarzt überweisungsbedürftige DR
		ja	nein
RetCAD überweisungsbedürftige DR	ja	9 richtig positiv (RP)	0 falsch positiv (FP)
	nein	1 falsch negativ (FN)	133 richtig negativ (RN)
		Sensitivität 9/9 + 1 = 0,9 (RP/RP+FN)	Spezifität 133/133 + 0 = 1,0 (RN/RN+FP)

Tab. 3 Vierfeldertafel zur Untersuchung des KI-basierten Algorithmus OphtAI zum Screening auf überweisungsbedürftige DR bei 143 Personen mit Diabetes.

		Augenarzt überweisungsbedürftige DR
		ja	nein
OphtAI überweisungsbedürftige DR	ja	7 richtig positiv (RP)	0 falsch positiv (FP)
	nein	3 falsch negativ (FN)	133 richtig negativ (RN)
		Sensitivität 7/7 + 3 = 0,7 (RP/RP+FN)	Spezifität 133/133 + 0 = 1,0 (RN/RN+FP)

Der auf künstlicher Intelligenz basierende Algorithmus RetCAD Version 2.2.0 erreichte eine Sensitivität von 86% und eine Spezifität von 100% für die Erkennung einer moderaten DR im Vergleich zur augenärztlichen Bildbeurteilung. Es wurden alle Patienten sowohl mit schwerer als auch mit proliferativer DR mittels KI-basierter Bildanalyse erkannt und korrekt zugeordnet. Daraus ergibt sich für die überweisungsbedürftige DR eine Sensitivität von 90% und Spezifität von 100% ([Tab. 4]). RetCAD bewertete die Bildqualität bei 98% der Aufnahmen für die Analyse als ausreichend oder besser.

Tab. 4 Diagnosegenauigkeit der KI-basierten Bildanalyse von RetCAD und OpthAI im Vergleich zur augenärztlichen Bildbeurteilung.

Einteilung der diabetischen Retinopathie	RetCAD Version 2.2.0	OphtAI 2.3.4
keine + milde DR	Sensitivität 100%	Sensitivität 100%
	Spezifität 90%	Spezifität 70%
moderate DR	Sensitivität 86%	Sensitivität 57%
	Spezifität 100%	Spezifität 100%
schwere DR	Sensitivität 100%	Sensitivität 100%
	Spezifität 100%	Spezifität 100%
proliferative DR	Sensitivität 100%	Sensitivität 100%
	Spezifität 100%	Spezifität 100%
überweisungsbedürftige DR	Sensitivität 90%	Sensitivität 70%
	Spezifität 100%	Spezifität 100%

Der auf KI basierende Algorithmus OphtAI Version 2.3.4 erreichte eine Sensitivität von 57% und eine Spezifität von 100% für die Erkennung einer moderaten DR im Vergleich zur augenärztlichen Bildbeurteilung. Es zeigte sich für alle Patienten mit schwerer und proliferativer DR ebenfalls eine vollkommene Übereinstimmung zwischen augenärztlicher und KI-basierter Bildanalyse. Somit erreicht der auf KI basierende Algorithmus OphtAI Version 2.3.4 eine Sensitivität von 70% und Spezifität von 100% für die Detektion einer überweisungsbedürftigen DR ([Tab. 4]).

OphtAI Version 2.3.4 bewertete die Bildqualität bei allen Aufnahmen für die Analyse als ausreichend oder besser.

 

Scroll to top

Diskussion

Für die automatisierte Vorsorgeuntersuchung auf DR sind eine Kamera und ein KI-basierter Algorithmus erforderlich.

Bisher wurden häufig Kameramodelle verwendet, die bei einer hohen Rate an Patienten eine medikamentöse Pupillenerweiterung erforderten [16].

Die KI-basierten Algorithmen sind unter Studienbedingungen der augenärztlichen Bildbeurteilung ebenbürtig. Allerdings gibt es Hinweise in der Literatur, dass die Performance unter Real-World-Gegebenheiten abweichen kann [9], [10].

Für diese Studie wurden die aktuellsten Versionen der KI-basierten Algorithmen RetCAD und OphtAI erstmals getestet.

Mit der hier verwendeten handgehaltenen Netzhautkamera Aurora war bei 95% der Patienten eine Netzhautaufnahme in Miosis möglich. Die Bildqualität dieser Aufnahmen wurde zu 98% beziehungsweise zu 100% von den beiden KI-basierten Algorithmen als ausreichend bewertet.

Der KI-basierte Algorithmus RetCAD erreichte unter realen Bedingungen eine Sensitivität von 90% und Spezifität von 100% für die Erkennung einer überweisungsbedürftigen DR.

Die KI-basierte Software OphtAI unterschätzte den Schweregrad bei 3 von 7 Personen mit Diabetes mit moderater DR. Dies spiegelte sich in einer geringeren Sensitivität von 70% für die Detektion einer überweisungsbedürftigen DR im Vergleich zur augenärztlichen Bildbeurteilung wider.

Beide KI-basierten Algorithmen haben alle Patienten mit schwerer und proliferativer DR erkannt und richtig zugeordnet. Des Weiteren wurde bei keiner Person mit Diabetes der Schweregrad für moderate, schwere und proliferative DR überschätzt.

Es wurden nur die Studienteilnehmer an den niedergelassenen Augenarzt überwiesen, für die das automatisierte Screening-System eine überweisungsbedürftige DR erkannt hat, und diejenigen, für die eine Untersuchung mit dem automatisierten System nicht durchgeführt werden konnte. Somit wurden insgesamt nur 16 von 150 Personen mit Diabetes an die niedergelassene Augenärztin beziehungsweise den niedergelassenen Augenarzt überwiesen. Daraus resultiert eine Reduktion der augenärztlichen Vorsorgeuntersuchungen um 89%.

Die handgehaltene Kamera Aurora zeigte in 2 Studien eine ähnlich hohe Rate an Netzhautaufnahmen in Miosis [17], [18]. Voraussetzung ist, dass die Aufnahmen in einem abgedunkelten Raum gemacht werden.

In einer Studie wurden 21 Algorithmen für das automatisierte Screening auf DR mit der handgehaltenen Kamera Aurora unter Real-World-Bedingungen verglichen [9]. Die Performance der KI-basierten Algorithmen war sehr unterschiedlich: Die Sensitivität lag zwischen 13% und 97% und die Spezifität reichte von 20% bis 100% für die Detektion einer überweisungsbedürftigen DR. Nur 5 der getesteten KI-Anbieter erzielten ein gutes Ergebnis. Die Identität der Hersteller wurde maskiert und die eingesetzte Softwareversion der KI-basierten Algorithmen nicht genannt.

In einer aktuellen wissenschaftlichen Arbeit erreichte die Vorgängerversion des KI-basierten Algorithmus RetCAD Version 2.1.1 bereits eine Sensitivität von 89% und Spezifität von 99% für die Erkennung einer überweisungsbedürftigen DR unter realen Bedingungen [19].

Allerdings wurde eine stationäre Netzhautkamera anstelle der mobilen Kamera Aurora verwendet.

Für den KI-basierten Algorithmus OphtAI liegen Ergebnisse unter Studienbedingungen vor. Die Sensitivität lag bei 99% und die Spezifität bei 89% für das Erkennen einer DR laut Hersteller [20]. Diese Performance konnte in der aktuellen Studie unter realen Bedingungen für die Detektion einer überweisungsbedürftigen DR nicht ganz erreicht werden.

Mit dem ersten in den USA zugelassenen automatisierten Screening-System bestehend aus einem Standgerät von Topcon und dem KI-basierten Algorithmus IDxDR konnte im klinischen Einsatz bei 72% (14 553 von 20 160 Patienten) eine automatisierte Vorsorgeuntersuchung durchgeführt werden [21]. Im Vergleich dazu war mit den hier vorgestellten KI-basierten Algorithmen und der mobilen Kamera Aurora bei 95% der Personen mit Diabetes ein Screening auf DR möglich, es gilt jedoch bei dieser Abweichung die unterschiedlichen Fallzahlgrößen mit zu berücksichtigen (143 von 150 Patienten).

Eine Limitation dieser Studie ist die geringe Fallzahl von 150 Studienteilnehmern. Allerdings spiegelt die Studienpopulation mit einem Anteil von 14,6% an Personen mit Diabetes mit diabetischen Netzhautveränderungen die Situation in Deutschland wider. Hier lag die Prävalenz der DR zwischen 10% und 20% [1].

Die Stärke dieser prospektiven Studie liegt darin, dass die Personen mit Diabetes ohne Vorauswahl in einer Diabetesambulanz gescreent wurden. Dadurch wurde ein Setting gewählt, was einer zukünftigen klinischen Anwendung entspricht.

Es ist mit weiteren Fortschritten in der Kameratechnologie zu rechnen, wodurch Aufnahmen in Miosis bei Tageslicht möglich werden. Jede Aktualisierung eines KI-basierten Algorithmus kann zu einer veränderten Performance führen. Aus diesem Grund gilt es jede neue Version vor dem klinischen Einsatz zu evaluieren.

 

Scroll to top

Schlussfolgerung

Mit den hier vorgestellten KI-basierten Algorithmen ließe sich die Zahl an augenärztlichen Vorsorgeuntersuchungen auf DR um 89% reduzieren, allerdings gilt es dieses Resultat mit höheren Fallzahlen zu untermauern. Dieses gute Ergebnis ist zum einen auf die Kamera Aurora zurückzuführen, da fast alle Aufnahmen in Miosis und in ausreichender Bildqualität gemacht wurden. Zum anderen haben die verwendeten Algorithmen RetCAD und OphtAI nie den Schweregrad für eine überweisungsbedürftige DR überschätzt. Alle Patienten mit schwerer und proliferativer DR wurden richtig erkannt und entsprechend der augenärztlichen Beurteilung zugeordnet. Lediglich für das Erkennen einer moderaten DR kam es für RetCAD und OphtAI zu einer geringen Anzahl an Fehleinschätzungen.

Insgesamt zeigte der KI-basierte Algorithmus RetCAD unter Real-World-Gegebenheiten eine Performance, die mit den Ergebnissen unter Studienbedingungen übereinstimmt.

Durch den klinischen Einsatz der hier vorgestellten KI-basierten Vorsorgeuntersuchung auf DR ließe sich die steigende Anzahl an Personen mit Diabetes bewältigen und gleichzeitig könnte mehr Kapazität für Patienten mit überweisungsbedürftiger DR geschaffen werden.

Fazitbox

Bereits bekannt:

• Die diabetische Retinopathie ist eine häufige Komplikation bei Diabetes mellitus, daher ist die Vorsorgeuntersuchung zur Erkennung und frühzeitigen Behandlung der DR entscheidend.

• Die steigende Anzahl an Personen mit Diabetes stellt eine immer größere Belastung für das Gesundheitssystem dar.

• Der Einsatz von künstlicher Intelligenz bietet sich für ein Screening an, da mittels Netzhautkamera und einem auf KI basierendem Algorithmus zur Bildanalyse die Vorsorgeuntersuchung schnell und Ressourcen schonend durchgeführt werden kann.

• Viele Studien belegen, dass die KI-gestützte Bildbeurteilung der augenärztlichen ebenbürtig ist. Allerdings gibt es Hinweise in der Literatur, dass die Algorithmen unter realen Bedingungen schlechter abschneiden, im Vergleich zu den unter Studienbedingungen erzielten Ergebnissen.

Neu beschrieben:

• Für diese Studie wurden die aktuellsten Versionen von 2 kommerziell erhältlichen KI-basierten Algorithmen RetCAD und OphtAI für die Früherkennung einer diabetischen Retinopathie getestet.

• Die handgehaltene Netzhautkamera Aurora ist zu empfehlen, da nahezu alle Aufnahmen in Miosis gemacht und KI-gestützt ausgewertet werden konnten.

• RetCAD erreichte unter realen Bedingungen eine Sensitivität von 90% und Spezifität von 100% für die Erkennung einer überweisungsbedürftigen DR.

• Für OphtAI zeigte sich eine geringere Sensitivität von 70% und eine Spezifität von 100% für die Detektion einer überweisungsbedürftigen DR. Es wurden allerdings alle Patienten mit schwerer und proliferativer DR korrekt zugeordnet.

• Mit den hier vorgestellten KI-basierten Algorithmen ließe sich die Zahl an augenärztlichen Vorsorgeuntersuchungen auf DR um 89% reduzieren. Dadurch könnte die steigende Anzahl an Personen mit Diabetes bewältigt und gleichzeitig mehr Kapazität für Patienten mit überweisungsbedürftiger DR geschaffen werden.

 

Scroll to top

 

Scroll to top

Interessenkonflikt

Die Autorinnen/Autoren geben an, dass kein Interessenkonflikt besteht.

Danksagung

Die Autoren danken Herrn Robert Habel von der Firma Topcon für sein großes Engagement.

• References/Literatur

• 1 Bundesärztekammer, Kassenärztliche Bundesvereinigung, Arbeitsgemeinschaft der Wissenschaftlichen Medizinischen Fachgesellschaften. Nationale VersorgungsLeitlinie Typ-2-Diabetes – Langfassung, Version 3.0. AWMF-Register-Nr. nvl-001. 2023 https://register.awmf.org/assets/guidelines/nvl-001l_S3_Typ-2-Diabetes_2024-12.pdf
• 2 Lee R, Wong TY, Sabanayagam C. Epidemiology of diabetic retinopathy, diabetic macular edema and related vision loss. Eye Vis (Lond) 2017; 2: 17
• 3 Schuster AK, Wolfram C, Pfeiffer N. et al. Augenheilkunde 2019 – Wo stehen wir? Eine Betrachtung der Versorgungssituation in Deutschland. Ophthalmologe 2019; 116: 829-837
• 4 Mai J, Schmidt-Erfurth U. Rolle der künstlichen Intelligenz bei verschiedenen retinalen Erkrankungen. Klin Monbl Augenheilkd 2024; 241: 1023-1031
• 5 Wintergerst MWM, Bejan V, Hartmann V. et al. Telemedical Diabetic Retinopathy Screening in a Primary Care Setting: Quality of Retinal Photographs and Accuracy of Automated Image Analysis. Ophthalmic Epidemiol 2022; 29: 286-295
• 6 Wolf RM, Channa R, Liu TYA. et al. Autonomous artificial intelligence increases screening and follow-up for diabetic retinopathy in youth: the ACCESS randomized control trial. Nat Commun 2024; 15: 421
• 7 Abràmoff MD, Lavin PT, Birch M. et al. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ Digit Med 2018; 1: 39
• 8 Rajesh AE, Davidson OQ, Lee CS. et al. Artificial Intelligence and Diabetic Retinopathy: AI Framework, Prospective Studies, Head-to-head Validation, and Cost-effectiveness. Diabetes Care 2023; 46: 1728-1739
• 9 Kubin AM, Huhtinen P, Ohtonen P. et al. Comparison of 21 artificial intelligence algorithms in automated diabetic retinopathy screening using handheld fundus camera. Ann Med 2024; 56: 2352018
• 10 Lee AY, Yanagihara RT, Lee CS. et al. Multicenter, Head-to-Head, Real-World Validation Study of Seven Automated Artificial Intelligence Diabetic Retinopathy Screening Systems. Diabetes Care 2021; 44: 1168-1175
• 11 Wilkinson CP, Ferris FL, Klein RE. et al. Proposed international clinical diabetic retinopathy and diabetic macular edema disease severity scales. Ophthalmology 2003; 110: 1677-1682
• 12 González-Gonzalo C, Sánchez-Gutiérrez V, Hernández-Martínez P. et al. Evaluation of a deep learning system for the joint automated detection of diabetic retinopathy and age-related macular degeneration. Acta Ophthalmol 2020; 98: 368-377
• 13 Skevas C, Weindler H, Levering M. et al. Simultaneous screening and classification of diabetic retinopathy and age-related macular degeneration based on fundus photos-a prospective analysis of the RetCAD system. Int J Ophthalmol 2022; 15: 1985-1993
• 14 Lin DY, Blumenkranz MS, Brothers RJ. et al. The sensitivity and specificity of single-field nonmydriatic monochromatic digital fundus photography with remote image interpretation for diabetic retinopathy screening: a comparison with ophthalmoscopy and standardized mydriatic color photography. Am J Ophthalmol 2002; 134: 204-213
• 15 Williams GA, Scott IU, Haller JA. et al. Single-field fundus photography for diabetic retinopathy screening: a report by the American Academy of Ophthalmology. Ophthalmology 2004; 111: 1055-1062
• 16 Paul S, Tayar A, Morawiec-Kisiel E. et al. Einsatz von künstlicher Intelligenz im Screening auf diabetische Retinopathie an einer diabetologischen Schwerpunktklinik. Ophthalmologie 2022; 119: 705-713
• 17 Lupidi M, Danieli L, Fruttini D. et al. Artificial intelligence in diabetic retinopathy screening: clinical assessment using handheld fundus camera in a real-life setting. Acta Diabetol 2023; 60: 1083-1088
• 18 Zhou W, Yuan XJ, Li J. et al. Application of non-mydriatic fundus photography-assisted telemedicine in diabetic retinopathy screening. World J Diabetes 2024; 15: 251-259
• 19 Grzybowski A, Brona P. Analysis and Comparison of Two Artificial Intelligence Diabetic Retinopathy Screening Algorithms in a Pilot Study: IDx-DR and Retinalyze. J Clin Med 2021; 10: 2352
• 20 Quellec G, Charrière K, Boudi Y. et al. Deep image mining for diabetic retinopathy screening. Med Image Anal 2017; 39: 178-193
• 21 Kummerle D, Beals D, Simon L. et al. Revolutionizing Diabetic Retinopathy Screening: Integrating AI-Based Retinal Imaging in Primary Care. J CME 2025; 14: 2437294

Publikationsverlauf

Eingereicht: 29. Januar 2025

Angenommen: 13. Mai 2025

Accepted Manuscript online:
23. Mai 2025

Artikel online veröffentlicht:
18. September 2025