Katarakt ist der Sammelbegriff für eine teilweise oder vollständige Trübung der Augenlinse. Weltweit sind schätzungsweise 52,6 Millionen Menschen von mittelschwerer bis schwerer Sehbehinderung betroffen, und Katarakt gilt als die häufigste behandelbare Ursache für Erblindung. Die Kataraktchirurgie ist eine der kosteneffektivsten medizinischen Interventionen, jedoch stellen in Ländern mit niedrigem und mittlerem Einkommen begrenzte Ressourcen und lange Wartezeiten Hindernisse für die Behandlung dar.
In den letzten Jahren wurden digitale Technologien, insbesondere künstliche Intelligenz (KI), in mehreren Phasen der Kataraktversorgung eingesetzt. Die Anwendungsbereiche der KI lassen sich hauptsächlich in drei Kategorien unterteilen.
Diagnoseunterstützung: Automatische Erkennung und Schweregradklassifikation von Katarakt mittels Spaltlampen- und Fundusfotografie.
Operationsunterstützung : intraoperative Phasenerkennung, Komplikationsrisikovorhersage, VR-basiertes Training
Mit der Alterung der Bevölkerung steigt die Nachfrage nach Kataraktoperationen, während das Angebot an augenärztlicher Versorgung nicht Schritt hält. Die KI-Technologie wird als Mittel zur Schließung dieser Angebotslücke betrachtet.
QWarum wird KI für die Kataraktversorgung benötigt?
A
Mit der Zunahme der älteren Bevölkerung steigt die Nachfrage nach Kataraktoperationen rapide an, während das Angebot an augenärztlicher Versorgung nicht ausreichend ausgeweitet wurde. Besonders in Ländern mit niedrigem und mittlerem Einkommen sowie in ländlichen Gebieten gibt es viele nicht diagnostizierte Katarakte. Der Einsatz von KI-gestützter Fern diagnostik und Screening könnte die Ungleichheit beim Zugang zur Gesundheitsversorgung verringern.
Der Graue Star ist hauptsächlich altersbedingt. Die Prävalenz einschließlich früher Trübungen beträgt etwa 45 % bei 50-Jährigen, 75 % bei 60-Jährigen, 85 % bei 70-Jährigen und 100 % bei über 80-Jährigen. Die drei Haupttrübungstypen sind kortikal, nukleär und posterior subkapsulär. Bei Japanern ist der kortikale Katarakt am häufigsten.
Zur Schweregradklassifikation des Katarakts werden das LOCS III (Lens Opacities Classification System III), die WHO-Klassifikation und die Emery-Little-Klassifikation verwendet. Die Emery-Little-Klassifikation bewertet die Farbe des Kerns in 5 Stufen und wird häufig zur Einschätzung der Operationsschwierigkeit eingesetzt.
Es gibt keine medikamentöse Therapie, um die Katarakt aufzuhellen. Bei eingeschränkter Sehfunktion ist die Phakoemulsifikation (PEA) mit Intraokularlinsenimplantation (IOL) die Standardbehandlung. Dank Fortschritten bei Operationsinstrumenten ist ein kleiner Schnitt von etwa 2 mm möglich, was eine frühe Rückkehr in den Alltag ermöglicht. In letzter Zeit wird auch die Femtosekundenlaser-assistierte Kataraktchirurgie klinisch eingesetzt.
Der Graue Star wird derzeit von Augenärzten klinisch mit einem Spaltlampenmikroskop diagnostiziert, was eine persönliche Untersuchung erfordert. In Entwicklungsländern und ländlichen Gebieten ist der Zugang jedoch schwierig, sodass nicht diagnostizierter Grauer Star ein großes Problem darstellt.
KI-gestützte Fern诊断plattformen können diese Zugangsbarrieren verringern. Besonders bei kindlichem Katarakt ist eine schnelle Diagnose entscheidend, um irreversible Amblyopie zu verhindern.
Automatische Erkennung von Katarakten durch Deep Learning
Modell von Wu et al. : Trainiert mit etwa 38.000 Spaltlampenfotos. Erreicht eine Sensitivität und Spezifität von über 95 % bei der Erkennung und Schweregradklassifikation von Katarakten. Auch bei der Beurteilung der Kernhärte in drei Stufen wurde eine Sensitivität und Spezifität von etwa 80 % berichtet.
Li et al. (Visionome) : Diagnose von Vorderabschnittserkrankungen einschließlich Katarakt mittels Spaltlampenfotografie. Genauigkeit 79,47–99,22 %, übertrifft die Leistung eines Augenarztes mit einem Jahr klinischer Erfahrung.
Fundusfoto-basiert
Modell von Xu et al. : CNN-Ensemble-Algorithmus (AlexNet + VisualDN) mit Fundusfotos als Eingabe. Erreicht eine Genauigkeit von 86,2 % bei der Erkennung und Klassifizierung von Katarakten.
ResNet-basiertes Modell (Wu et al.) : Dreistufige Unterscheidung zwischen Kataraktlinse, Intraokularlinse und normalem Auge mit AUC über 0,99.
Wu et al. schlagen ein dreistufiges Modell vor: (1) Selbstüberwachung per Smartphone, (2) KI-Diagnose mittels Vorderabschnittsfotografie, (3) Telemedizin durch einen Augenarzt über eine Cloud-Plattform. Dieses System könnte die von einem Augenarzt versorgte Bevölkerung verzehnfachen. Die KI-Diagnose in der Augenheilkunde hat seit der Veröffentlichung eines Screening-Artikels zur diabetischen Retinopathie im Jahr 2016 zunächst bei Netzhauterkrankungen und Glaukom mittels Fundusfotos und OCT des hinteren Augenabschnitts Fortschritte gemacht, aber in den letzten Jahren hat die Anwendung auf Spaltlampenfotos des vorderen Augenabschnitts zugenommen.
QKann man mit einem Smartphone Katarakte diagnostizieren?
A
Obwohl noch im Forschungsstadium, wurde ein System vorgeschlagen, bei dem eine KI mit einem Smartphone aufgenommene Vorderabschnittsbilder analysiert, um das Vorhandensein und den Schweregrad des Grauen Stars zu bestimmen. Für die klinische Anwendung ist eine weitere Validierung erforderlich, aber es könnte für das Screening in abgelegenen Gebieten nützlich sein.
4. Digitale Werkzeuge zur Berechnung der Intraokularlinsenstärke
Bei der Kataraktchirurgie werden genaue postoperative Refraktionsergebnisse angestrebt. Herkömmliche Intraokularlinsen-Berechnungsformeln lieferten bei Augen nach refraktiver Chirurgie oder Patienten mit extremen biometrischen Werten eine unzureichende Vorhersagegenauigkeit. Neue KI-gestützte Berechnungsformeln gehen diese Herausforderung an.
Sramka et al. : Bewerteten ein SVM-Regressionsmodell und ein Multi-Layer Neural Network Ensemble Model (MLNN-EM), beide berichteten eine höhere Vorhersagegenauigkeit als herkömmliche klinische Methoden.
Ladas et al. : Verfeinerten Vorhersagen durch Kombination bestehender Intraokularlinsen-Berechnungsformeln (SRK, Holladay I, Ladas Super Formula) mit überwachten Lernalgorithmen (SVR, XGB, ANN).
KI-basierte neue Generation von Intraokularlinsen-Berechnungsformeln
Die Kane-Formel kombiniert ein theoretisches Modell mit Regressionsanalyse und KI-Komponenten. In Vergleichsstudien übertrifft sie Formeln der dritten Generation wie Barrett Universal II, Haigis und Olsen und behält durchweg eine Spitzenplatzierung unter den neuen Generationen bei. Sie liefert auch bei extremen Achslängen vernünftige Ergebnisse.
Hill-RBF (Radialbasisfunktion) ist ein auf künstlichen neuronalen Netzen basierender Intraokularlinsenrechner, der einen großen Datensatz von Refraktionsergebnissen mittels Mustererkennung und Dateninterpolation analysiert.
Die PEARL-DGS-Formel verwendet maschinelles Lernen und Linearisierung des Outputs zur Vorhersage der effektiven Linsenposition und Anpassung an extreme biometrische Messwerte.
Karmona ist ein datengesteuerter Ansatz zur Berechnung der Intraokularlinsenstärke, der mehrere maschinelle Lernmodelle wie k-nächste Nachbarn, ANN, SVM und Random Forest verwendet, um die Stärke vorherzusagen.
QWas sind die Vorteile des Einsatzes von KI bei der Berechnung von Intraokularlinsen?
A
Herkömmliche Intraokularlinsenformeln basieren auf spezifischen theoretischen Modellen, was bei Augen nach refraktiver Chirurgie oder extrem langen/kurzen Achsenlängen zu großen Fehlern führen kann. KI-basierte Formeln lernen Muster aus großen Datenmengen und können daher auch in solchen speziellen Fällen eine hohe Vorhersagegenauigkeit aufrechterhalten.
Die Kataraktchirurgie besteht aus mehreren Phasen (vordere Kapsulotomie, Linsenkernbehandlung, Kortexaspiration, Einsetzen der Intraokularlinse usw.). Die automatische Analyse von Operationsvideos mittels KI ermöglicht die Identifizierung jeder Phase.
Yu et al. : Die Kombination von Etiketteninformationen der Operationsinstrumente mit den Videobildern allein erreicht die höchste Genauigkeit der Phasenerkennung.
Quellec et al. : Entwicklung eines autonomen Videoanalysesystems, das chirurgische Aufgaben in Echtzeit erkennen kann.
Die automatische Phasenidentifikation ist die Grundlage für die phasenweise Bewertung chirurgischer Fähigkeiten und Echtzeit-Feedback.
Vorhersage des Risikos intraoperativer Komplikationen
Lanza et al. analysierten 1.229 Kataraktoperationen mit 73 Fehlern und erstellten ein KI-Modell zur Erkennung von Risikofaktoren für intraoperative Komplikationen und zur Vorhersage der Gesamtoperationszeit.
Eyesi (Haag-Streit) ist ein kommerzielles ophthalmologisches simulationsbasiertes Trainingssystem, das intelligente Bildung durch die Kombination von Virtual Reality (VR) und KI bietet. Es schafft eine Umgebung, in der Lernende prozedurale Fähigkeiten erwerben können, bevor sie echten Patienten begegnen.
Wenn die klinische Einführung von KI in die Kataraktversorgung erfolgreich ist, werden langfristige Vorteile wie verbesserte medizinische Effizienz, besserer Zugang und Kostensenkung erwartet. Besonders für einkommensschwache Bevölkerungsgruppen sind die Vorteile groß.
Für die praktische Umsetzung bestehen jedoch folgende Herausforderungen.
Ethisches Datenmanagement : Sicherstellung der Sicherheit und Privatsphäre von Patientendaten
Validierung der Generalisierbarkeit : Stabilität der Leistung über verschiedene Ethnien, Regionen und Geräte hinweg
Mangel an klinischer Validierung : Nur wenige klinische Studien haben die Wirksamkeit von KI-Systemen in der realen Welt bewertet.
Vermeidung von Verzerrungen : Wenn die Trainingsdaten verzerrt sind, entstehen systematische Fehler in den KI-Entscheidungen
Akzeptanz durch die Nutzer : Aufbau von Vertrauen und Verständnis für KI sowohl bei medizinischem Personal als auch bei Patienten
Bislang haben nur wenige Algorithmen ihre Zuverlässigkeit in der klinischen Umgebung nachgewiesen. Um den Nutzen von KI-Systemen zu belegen, sind weitere randomisierte kontrollierte Studien erforderlich.
QIst der Tag nahe, an dem KI die Diagnose von Katarakten stellt?
A
Obwohl in Studien eine hohe Genauigkeit berichtet wird, gibt es noch Herausforderungen für die vollständige Integration in die klinische Praxis. Die Überprüfung der Generalisierbarkeit über verschiedene Populationen hinweg, die Validierung der Wirksamkeit durch groß angelegte klinische Studien und die Etablierung eines ethischen Datenmanagements sind unerlässlich. Kurzfristig ist der Einsatz als Hilfsmittel für die Diagnose durch den Augenarzt realistisch.
Ahuja AS, Paredes AA 3rd, Eisel MLS, et al. Applications of Artificial Intelligence in Cataract Surgery: A Review. Clin Ophthalmol. 2024;18:2969-2975. PMID: 39434720.
GBD 2019 Blindness and Vision Impairment Collaborators; Vision Loss Expert Group of the Global Burden of Disease Study. Causes of blindness and vision impairment in 2020 and trends over 30 years, and prevalence of avoidable blindness in relation to VISION 2020: the Right to Sight: an analysis for the Global Burden of Disease Study. Lancet Glob Health. 2021;9(2):e144-e160. PMID: 33275949.
Wu X, Huang Y, Liu Z, et al. Universal artificial intelligence platform for collaborative management of cataracts. Br J Ophthalmol. 2019;103(11):1553-1560. PMID: 31481392.
Connell BJ, Kane JX. Comparison of the Kane formula with existing formulas for intraocular lens power selection. BMJ Open Ophthalmol. 2019;4(1):e000251. PMID: 31179396.
Roberts TV, Hodge C, Sutton G, Lawless M; Vision Eye Institute IOL outcomes registry contributors. Comparison of Hill-radial basis function, Barrett Universal and current third generation formulas for the calculation of intraocular lens power during cataract surgery. Clin Exp Ophthalmol. 2018;46(3):240-246. PMID: 28778114.
Yu F, Silva Croso G, Kim TS, et al. Assessment of Automated Identification of Phases in Videos of Cataract Surgery Using Machine Learning and Deep Learning Techniques. JAMA Netw Open. 2019;2(4):e191860. PMID: 30951163.
Thomsen ASS, Bach-Holm D, Kjærbo H, et al. Operating Room Performance Improves after Proficiency-Based Virtual Reality Cataract Surgery Training. Ophthalmology. 2017;124(4):524-531. PMID: 28017423.
Kopieren Sie den Artikeltext und fügen Sie ihn in den KI-Assistenten Ihrer Wahl ein.
Artikel in die Zwischenablage kopiert
Öffnen Sie unten einen KI-Assistenten und fügen Sie den kopierten Text in den Chat ein.
