Eine neue Studie zeigt, wie Netzhautbilder dabei helfen können, Diabetes, Bluthochdruck, Gicht, Osteoporose, Schilddrüsenerkrankungen und hohe Cholesterinwerte zu erkennen. Forscher warnen jedoch davor, dass eine breitere klinische Anwendung umfangreichere Studien und stärkere Beweise für den Patientennutzen erfordert.

In einer kürzlich in der Zeitschrift veröffentlichten Studie Naturmedizinentwickelten Forscher ein Bildgebungssystem für die Netzhaut zur Erkennung mehrerer Krankheiten.

Hintergrund zur Netzhautbildgebung und Okulomik

Der weltweite Anstieg von Stoffwechsel- und endokrinen Erkrankungen stellt eine erhebliche Herausforderung für die Gesundheitssysteme dar und unterstreicht die Notwendigkeit von Früherkennungsmethoden. Aktuelle Screening-Ansätze stützen sich stark auf Blutbiomarker, deren Sammlung mit Unbehagen für den Patienten, hohen Kosten und logistischen Herausforderungen verbunden ist und die Durchführbarkeit häufiger Längsschnittscreenings einschränkt.

Okulomik, der Einsatz von Augenbildgebung und künstlicher Intelligenz (KI) zur systemischen Gesundheitsüberwachung, hat sich bei der Identifizierung präklinischer kardiovaskulärer, neurodegenerativer und renaler Erkrankungen als vielversprechend erwiesen. Allerdings ist die Okulomik-Forschung auf qualitativ hochwertige Bilder angewiesen und beschränkt sich größtenteils auf einzelne Krankheitsbilder. Diese Einschränkungen können durch neuere medizinische Grundlagenmodelle behoben werden.

Werbung
Hier könnte Ihr Advertorial stehen
Ein Advertorial bietet Unternehmen die Möglichkeit, ihre Botschaft direkt im redaktionellen Umfeld zu platzieren

Reti-Pioneer-Framework und Studiendesign

In der vorliegenden Studie stellten die Forscher Reti-Pioneer vor, ein Multitasking-Framework, das auf Netzhautbildgebung zur Erkennung mehrerer Krankheiten basiert. Zunächst wurde ein multimodaler Datensatz mit Farbfundusfotos (CFPs) kuratiert, der 107.730 CFPs von mehr als 53.000 Personen in der britischen Biobank (UKB) und chinesischen Krankenhausregistern umfasst. Es wurde ein multimodales Lernmodell entwickelt, das CFPs heterogener Qualität mit strukturierten klinischen Metadaten kombiniert.

Darüber hinaus nutzte diese Architektur ein Ensemble großer, vorab trainierter Vision-Foundation-Modelle wie RETFound, Swin Transformer und Vision Mamba, um deren Fähigkeiten zu nutzen. Im internen Datensatz zeigte Reti-Pioneer eine Fläche unter der Receiver Operating Characteristic Curve (AUROC) von 0,83 für Gicht und Typ-2-Diabetes mellitus (T2DM), 0,79 für Osteoporose, 0,74 für Hyperlipidämie und Bluthochdruck und 0,7 für Schilddrüsenerkrankungen.

Kohortenübergreifende Reti-Pioneer-Leistung

Reti-Pioneer wurde auch extern anhand chinesischer Datensätze getestet, die ressourcenbeschränkte und ressourcenintensive Umgebungen repräsentieren. In einem Datensatz aus Regionen mit begrenzten Gesundheitsressourcen zeigte Reti-Pioneer eine mäßige bis starke Unterscheidungsfähigkeit mit AUROCs von 0,9 für Osteoporose, 0,82 für Schilddrüsenerkrankungen und T2DM, 0,81 für Bluthochdruck, 0,73 für Gicht und 0,63 für Hyperlipidämie. Bei der Analyse, bei der Datensätze aus Umgebungen mit hohen und begrenzten Ressourcen kombiniert wurden, behielt das Modell eine robuste Leistung bei.

Darüber hinaus wurde Reti-Pioneer in einer multiethnischen singapurischen Kohorte validiert und erreichte AUROCs von 0,69 für T2DM, 0,75 für Bluthochdruck und 0,62 für Hyperlipidämie. Stratifizierte Analysen nach ethnischer Zugehörigkeit ergaben konsistente AUROCs; Für Bluthochdruck betrug der AUROC 0,73, 0,75 bzw. 0,77 für indische, chinesische und malaiische Personen.

Die entsprechenden AUROCs für T2DM betrugen 0,65, 0,67 bzw. 0,69; Diese Daten deuten auf eine weitgehend einheitliche Leistung über alle ethnischen Gruppen hin, obwohl die Autoren anmerkten, dass weitere Arbeiten erforderlich sind, um die Repräsentativität und Generalisierbarkeit zu verbessern.

Als nächstes bewerteten die Forscher Reti-Pioneer anhand einer zurückgehaltenen Teilmenge des UKB, um seine Vorhersageleistung für sechs Krankheiten in Fünf- und Zehn-Jahres-Intervallen zu untersuchen.

In dieser Analyse von 15.704 Teilnehmern ohne Vorerkrankung erreichte Reti-Pioneer AUROCs von 0,76 bzw. 0,74 für T2DM-Vorfälle nach fünf bzw. 10 Jahren. Die entsprechenden AUROCs betrugen 0,76 bzw. 0,72 für Bluthochdruck und 0,75 bzw. 0,74 für Hyperlipidämie.

Die Autoren stellten fest, dass eine längerfristige Vorhersage schwieriger sei als ein Querschnittsscreening und dass künftige Studien formale Time-to-Event-Methoden verwenden sollten.

Klinische Validierung und reale Nutzung von Reti-Pioneer

Darüber hinaus wurde die diagnostische Leistung von Reti-Pioneer mit der von Netzhautspezialisten verglichen. Spezialisten interpretierten CFPs von 200 Patienten pro Krankheit und werteten dieselben Bilder ein oder zwei Wochen später mit Unterstützung von Reti-Pioneer erneut aus. Netzhautspezialisten erzielten mit Unterstützung durch Reti-Pioneer eine durchschnittliche Genauigkeit von 88 % bei T2DM, 70 % bei Schilddrüsenerkrankungen und 79 % bei Gicht, verglichen mit 71 %, 63 % bzw. 51 % ohne Unterstützung.

Als nächstes wurde ein prospektiver stiller Versuch in einer Grundversorgungseinrichtung durchgeführt. Fundusbilder wurden in Echtzeit vom Point-of-Care erfasst und sofort mit Reti-Pioneer getestet. Dieser Arbeitsablauf zeigte eine höhere Durchsatzeffizienz und eine deutlich kürzere Zeit von der Bildaufnahme bis zur Berichterstellung als bei körperlichen Untersuchungen oder Laborberichten.

Schließlich wurde eine prospektive Praxisstudie in ärztlichen Untersuchungs- und kommunalen Gesundheitszentren mit 606 Teilnehmern durchgeführt.

Allen Teilnehmern, die sich einer körperlichen Untersuchung unterzogen, wurden Tests mit Reti-Pioneer angeboten. Reti-Pioneer analysierte die Netzhautbilder und klinischen Metadaten der Teilnehmer. Es zeigte eine größere Unterscheidungsfähigkeit für T2DM (AUROC: 0,78) als der finnische Diabetes-Risiko-Score. Die AUROCs für Bluthochdruck, Hyperlipidämie, Gicht, Osteoporose und Schilddrüsenerkrankungen betrugen 0,84, 0,7, 0,8, 0,88 bzw. 0,65.

Von Ärzten und Teilnehmern durchgeführte Zufriedenheitsumfragen zeigten eine hohe Benutzerfreundlichkeit und Akzeptanz von Reti-Pioneer. Konkret waren 80 % der Teilnehmer in allen Bewertungsbereichen sehr zufrieden. Darüber hinaus äußerten 52 % ihre Zahlungsbereitschaft, während 4,9 % nicht bereit waren.

Kliniker bewerteten Einsatzfaktoren und identifizierten Patientenakzeptanz, regulatorische Fragen und Systemintegration als die wichtigsten Überlegungen, während sie bei allen Entscheidungsunterstützungsdimensionen hohe Bewertungen erhielten.

Die Autoren untersuchten auch die biologische Interpretierbarkeit, indem sie latente Merkmale der Netzhaut mit krankheitsbedingten Plasmaproteinsignaturen verknüpften, obwohl genetische Risikoassoziationen begrenzt waren. Salienzkarten wurden verwendet, um Fundusregionen hervorzuheben, die für Modellvorhersagen relevant sind.

Auswirkungen auf das retinale KI-Screening

Zusammenfassend wurde im Rahmen der Studie ein auf Netzhautbildgebung basierendes Framework, Reti-Pioneer, entwickelt, um sechs Stoffwechsel- und endokrine Erkrankungen zu erkennen und vorherzusagen.

Reti-Pioneer zeigte insgesamt eine mäßige bis starke Unterscheidungsleistung, die je nach Krankheit und Kohorte variierte, mit konsistenter Leistung über Datensätze, Ethnien und Ressourceneinstellungen hinweg. Es zeigte auch eine vielversprechende, aber noch vorläufige Fähigkeit, das zukünftige Krankheitsrisiko zu stratifizieren. Die Autoren weisen jedoch darauf hin, dass die derzeitige diagnostische und prädiktive Genauigkeit weiterhin unter dem für eine breite klinische Akzeptanz erforderlichen Schwellenwert liegt und dass größere, multizentrische, randomisierte Studien erforderlich sind, um den Nutzen auf Patientenebene und die klinischen Auswirkungen in der Praxis zu testen.

Insgesamt könnte Reti-Pioneer einen kostengünstigen, skalierbaren und übersetzbaren Weg von der Okulomik zum umsetzbaren klinischen Screening bieten.

Laden Sie Ihr PDF-Exemplar herunter, indem Sie hier klicken.

Quellen:

Journal reference: