Ein neues KI-Modell verspricht, die Auswertung von Netzhautscans grundlegend zu verändern: Forschende der University of Washington haben ein dreidimensionales multimodales Foundation Model für die optische Kohärenztomographie entwickelt – und könnten damit die Diagnostik von Augenerkrankungen wie der Makuladegeneration revolutionieren.
KI-gestütztes Foundation Model für OCT-Bildgebung könnte Augenheilkunde verändern
Forschende haben ein dreidimensionales multimodales Foundation Model für die optische Kohärenztomographie (OCT) entwickelt, das in der Fachzeitschrift Nature Biomedical Engineering veröffentlicht wurde. Das Modell zielt darauf ab, die automatisierte Analyse von Netzhautaufnahmen auf ein neues Niveau zu heben und könnte die Diagnose von Augenerkrankungen wie der Makuladegeneration erheblich verbessern.
Warum OCT-Daten ein KI-Problem sind
Optische Kohärenztomographie ist heute ein Standardverfahren in der Augenheilkunde: Sie liefert hochauflösende, dreidimensionale Schnittbilder der Netzhaut und ermöglicht die frühe Erkennung von Erkrankungen wie der altersbedingten Makuladegeneration oder diabetischen Retinopathien. Die schiere Menge an OCT-Daten, die in klinischen Zentren anfällt, übersteigt jedoch zunehmend die Kapazitäten manueller Auswertung.
Genau hier setzt das nun vorgestellte Modell an: automatisierte Analyse im klinischen Maßstab – ohne Abstriche bei der diagnostischen Tiefe.
Das Modell: Dreidimensional und multimodal
Das Team um Sheng Wang und Aaron Y. Lee von der University of Washington trainierte ein Foundation Model, das nicht nur zweidimensionale Querschnitte, sondern vollständige dreidimensionale OCT-Volumina verarbeiten kann. Der multimodale Ansatz bedeutet dabei, dass das Modell verschiedene Eingabeformate und klinische Begleitinformationen integriert – ein Vorgehen, das im Bereich der medizinischen Bildverarbeitung bislang selten in dieser Kombination umgesetzt wurde.
Als beteiligte Institutionen nennt die Studie unter anderem das National Eye Institute der USA sowie die University of Washington – ein institutioneller Rückhalt auf höchster Ebene.
Foundation Models in der Medizin: Anspruchsvoller als gedacht
Foundation Models – also vortrainierte Basismodelle, die auf breite Datensätze aufbauen und anschließend für spezifische Aufgaben angepasst werden – haben sich in der Sprach- und allgemeinen Bildverarbeitung bereits als leistungsfähiges Konzept erwiesen. Ihre Übertragung auf medizinische Bilddaten gilt jedoch als deutlich anspruchsvoller:
- Klinische Datensätze sind kleiner und heterogener
- Datenschutzrechtliche Regulierung schränkt die Datenverfügbarkeit ein
- Medizinische Befunde erfordern eine höhere Interpretierbarkeit als generische Bilderkennung
Das vorliegende Modell adressiert diese Herausforderungen, indem es speziell auf OCT-Daten ausgerichtet wurde und dabei sowohl die räumliche Tiefe als auch verschiedene klinische Modalitäten berücksichtigt.
Klinische Relevanz: Sehverlust als globales Versorgungsproblem
Makuladegeneration und diabetische Retinopathien gehören weltweit zu den häufigsten Ursachen von Sehverlust – und verursachen erhebliche Versorgungsaufwände im Gesundheitssystem.
Ein robustes, vortrainiertes Modell, das ohne umfangreiche Nachbeschriftung auf neue Datensätze übertragen werden kann, hätte das Potenzial, Diagnoseabläufe zu beschleunigen und die Konsistenz der Befundung messbar zu verbessern.
Bedeutung für den deutschen Medizintechnikmarkt
Für deutsche Medizintechnikunternehmen, Augenkliniken und Softwareanbieter im Healthcare-Bereich ist diese Entwicklung aus mehreren Gründen relevant:
- Der Markt für KI-gestützte medizinische Bildgebung wächst auch hierzulande stark
- Der EU AI Act sowie die MDR stellen klare Anforderungen an die Zulassung solcher Systeme
- Das Foundation-Model-Konzept bietet einen strategischen Vorteil: Ein einmal zertifiziertes Basismodell ließe sich effizienter für verschiedene klinische Anwendungen adaptieren als eine Vielzahl individueller Speziallösungen
Unternehmen, die heute in Partnerschaften mit Forschungsinstitutionen investieren und regulatorische Expertise aufbauen, dürften bei der Marktreife solcher Technologien deutlich besser positioniert sein.
Quelle: Nature Biomedical Engineering