Die Augenkrankheiten Myopie, Strabismus und Ptosis sind bei Kindern weit verbreitet und können das Sehvermögen und die Entwicklung erheblich beeinträchtigen. Früherkennung und eine rechtzeitige Diagnose sind entscheidend für eine erfolgreiche Behandlung dieser Erkrankungen und um Folgeschäden zu minimieren.
Eine Screening-Methode für zu Hause könnte es Eltern ermöglichen, schneller eine Verdachtsdiagnose zu stellen, ohne einen Facharzt aufsuchen zu müssen. Künstliche Intelligenz (KI) könnte hier neue Möglichkeiten eröffnen, insbesondere durch den Einsatz von Deep Learning. Chinesische Forscher haben kürzlich eine solche KI für die Früherkennung anhand von Smartphone-Fotos von Kindern entwickelt und analysiert.
Die Zukunft der Diagnostik: Künstliche Intelligenz?
Die Querschnittsstudie sammelte Daten von 476 Kindern im Alter von bis zu 18 Jahren, die zwischen Oktober 2022 und September 2023 in der Augenklinik des Shanghai Ninth People’s Hospital mit einer der drei Augenkrankheiten diagnostiziert wurden. Insgesamt wurden 1419 Bilder verwendet, um die KI zu trainieren: 946 monokulare Bilder zur Erkennung von Myopie und Ptosis und 473 binokulare Bilder zur Erkennung von Strabismus.
Zuverlässige Rate an Myopie-Diagnosen
Das KI-Modell zeigte insgesamt eine gute Leistung bei der Erkennung von Myopie. Mit einer Sensitivität von 0,84 und einer Spezifität von 0,76 konnte das Modell in 80% der Fälle korrekt bestimmen, ob ein Kind an Myopie litt. Der AUC-Wert (Area Under the Curve) betrug 0,84, was die Fähigkeit des Modells beschreibt, zwischen gesunden und betroffenen Augen zu unterscheiden. Der F1-Score, der ein Gleichgewicht zwischen Genauigkeit und Sensitivität darstellt, betrug 0,77.
Herausforderungen bei der Strabismus-Erkennung
Die Leistung des Modells bei der Erkennung von Strabismus war ebenfalls vielversprechend, könnte aber vor größeren Herausforderungen stehen. Das Modell erreichte eine Sensitivität von 0,73 und eine Spezifität von 0,85, was zu einer Gesamtgenauigkeit von 0,8 führte. Der AUC-Wert lag bei 0,83 und der F1-Score bei 0,74.
Dass die Sensitivität etwas geringer ausfiel als bei der Myopie-Erkennung, könnte nach Ansicht der Forscher auf die größere Schwierigkeit zurückzuführen sein, ein variabel auftretendes Schielen ausschließlich anhand von Fotos korrekt zu diagnostizieren.
Vielversprechende Daten bei Ptosis
Das Modell zeigte die beste Leistung bei der Erkennung von Ptosis. Die Sensitivität lag bei 0,85 und die Spezifität bei 0,95. Die Genauigkeit des Modells lag bei 0,92, mit einer AUC von 0,94 und einem F1-Score von 0,87. Diese hohen Werte sind wahrscheinlich dadurch zu begründen, dass die Ptosis eine äußerlich sichtbare Veränderung des Auges darstellt und daher von der KI leichter erkannt werden könnte.
Bessere Ergebnisse bei älteren Kindern
Um die Verallgemeinerbarkeit des Modells zu beurteilen, wurden die Ergebnisse nach Alters- und Geschlechtsgruppen analysiert. Die Sensitivität für die Myopie-Diagnose war in den Altersgruppen 13 bis 18 Jahre und 6 bis 12 Jahre mit ca. 0,85 am höchsten, während sie in der Altersgruppe 0 bis 5 Jahre bei 0,69 lag. Ähnliche Muster wurden für Strabismus beobachtet. Im Gegensatz dazu war die Leistung des Modells bei der Erkennung von Ptosis in allen Alters- und Geschlechtsgruppen konsistent.
Eine vielversprechende Methode für zu Hause
Die Ergebnisse dieser Studie haben gezeigt, dass das entwickelte KI-Modell eine vielversprechende Methode zur Früherkennung von Myopie, Strabismus und Ptosis sein könnte. Die hohe Genauigkeit, insbesondere bei der Erkennung von Ptosis und bei älteren Kindern, deuten darauf hin, dass dieses Modell eine wertvolle Ergänzung zu bestehenden Screening-Methoden darstellen könnte. Eine Möglichkeit, diese Augenkrankheiten zu Hause mit einem Smartphone zu erkennen, könnte Eltern eine einfache und effektive Möglichkeit bieten, die Augengesundheit ihrer Kinder zu überwachen und gegebenenfalls rechtzeitig medizinische Hilfe in Anspruch zu nehmen.
Dennoch gibt es Verbesserungspotential, insbesondere in Bezug auf die Datenmenge. Weitere Studien müssten die Ergebnisse anhand deutlich größerer Kohorten validieren und die KI weiter trainieren. Nichtsdestotrotz stellen die Ergebnisse einen wichtigen Schritt in Richtung einer breiten Anwendung von KI-basierten Screening-Tools dar, die in Zukunft immer mehr Verwendung finden werden.
