KI-gestützte Erkennung struktureller Auffälligkeiten der Hornhautnerven bei früher diabetischer Keratopathie: Entwicklung und Validierung eines Deep-Learning-Frameworks

Warum winzige Augen­nerven bei Diabetes wichtig sind

Diabetes ist dafür bekannt, große Nerven in Füßen und Beinen zu schädigen, was oft zu Schmerzen, Taubheit und in schweren Fällen zu Amputationen führt. Noch lange bevor solche Schäden offensichtlich werden, können die kleinsten Nerven im Körper zu funktionieren beginnen. Das transparente Fenster an der Vorderseite des Auges – die Hornhaut – ist dicht von diesen feinen Fasern durchzogen. Diese Studie zeigt, wie hochauflösende Bildgebung und künstliche Intelligenz (KI) zusammenarbeiten können, um frühe Nervenschäden in der Hornhaut zu erkennen, und damit möglicherweise eine neue, schmerzfreie Methode bieten, Nervenstörungen bei Menschen mit Diabetes zu entdecken, bevor sie schwerwiegend werden.

Frühe Nervenschäden durchs Auge sichtbar machen

Die heutigen Tests auf diabetische Nervenschäden sind weit davon entfernt, perfekt zu sein. Einfache Bettenuntersuchungen hängen von der Geschicklichkeit des Arztes und den Angaben der Patient:innen ab und übersehen oft subtile, frühe Veränderungen. Präzisere Tests wie Nervenleitungsstudien oder Hautbiopsien sind invasiv, teuer und nicht praktikabel für routinemäßiges Screening. Die Hornhaut lässt sich hingegen nichtinvasiv mit in vivo konfokaler Mikroskopie untersuchen, einer spezialisierten Kamera, die stark vergrößerte Aufnahmen der Hornhautnerven liefert. Forschende haben bereits gezeigt, dass der generelle Verlust dieser Nerven mit dem Schweregrad der diabetischen Neuropathie korreliert. Die frühesten Warnzeichen betreffen jedoch nicht immer die Nervenmenge; sie können winzige strukturelle Defekte entlang ansonsten intakter Fasern sein.

Fokus auf winzige Hotspots: Microneurome

In den letzten Jahren haben Ärzt:innen mit leistungsstarken Mikroskopen kleine, helle, geschwollene Stellen entlang der Hornhautnerven bei Menschen mit Diabetes beobachtet. Diese „Microneurome“ gelten als Ausdruck gestresster oder regenerierender Nervenendigungen und können vor großflächigem Nervverlust auftreten. Das Team dieser Studie wollte einem Computer beibringen, diese subtilen Merkmale automatisch zu erkennen. Dafür sammelten sie mehr als 5.000 Hornhautbilder von Menschen mit Diabetes und gesunden Freiwilligen an zwei Augenkliniken in China. Erfahrene Hornhautspezialist:innen sortierten Qualitätsmängel aus, markierten die Stellen mit Microneuromen und unterteilten sie in drei sichtbare Muster: lokalisierte Schwellungen, größere birnenförmige Vergrößerungen und diffusere helle Flecken.

Eine KI-Assistentin trainieren, Nervenbilder zu lesen

Anhand dieser von Expert:innen annotierten Bilder bauten die Forschenden ein mehrstufiges Deep-Learning-System auf. Zuerst sortierte ein Modell verwackelte oder nicht zielführende Bilder aus und behielt nur solche, die deutlich die relevante Nervenebene zeigten. Ein zweites Modell entschied, ob ein Bild überhaupt Microneurome enthielt. Ein drittes modellierte die exakten Regionen, in denen diese Läsionen auftraten, und drei weitere Modelle klassifizierten sie in die drei visuellen Typen. Das System wurde mit Daten eines Krankenhauses trainiert und dann sowohl an unveröffentlichten Bildern desselben Zentrums als auch an einer vollständig unabhängigen Stichprobe aus dem anderen Krankenhaus getestet, um zu prüfen, ob es über verschiedene Patientengruppen und Bildgebungsbedingungen hinweg zuverlässig arbeitet.

Wie gut die KI in der Praxis abschnitt

Die KI erwies sich als sehr zuverlässig bei der grundlegenden Qualitätskontrolle und erkannte brauchbare Bilder in mehr als 97 % der Fälle korrekt. Bei der Entscheidung, ob Microneurome vorhanden sind, klassifizierte sie Bilder in den internen und externen Testsets mit einer Genauigkeit von etwa 81–84 %. Auch ihre Fähigkeit, Läsionen zu segmentieren und zu untertypen, war stark und blieb selbst bei Daten aus dem zweiten Zentrum weitgehend erhalten. Um zu prüfen, ob das in der klinischen Praxis einen Unterschied macht, baten die Autor:innen junge Augenärzt:innen mit wenig formaler Ausbildung in dieser Bildgebung, eine getrennte Serie von 150 Bildern zuerst allein und dann mit KI-Unterstützung zu lesen. Mit der KI stieg ihre diagnostische Genauigkeit von etwa 69 % auf 88 %, und die durchschnittliche Lesezeit pro Bild halbierte sich mehr als, was darauf hindeutet, dass solche Werkzeuge die Abläufe beschleunigen und die Belastung für Untersuchende reduzieren könnten.

Was das für Menschen mit Diabetes bedeuten könnte

Die Studie zeigt, dass ein sorgfältig trainiertes KI-System automatisch winzige Nervenauffälligkeiten in der Hornhaut finden und beschreiben kann und dass dies weniger erfahrene Ärzt:innen deutlich bei der Interpretation komplexer Augenscans unterstützen kann. Zwar sind die Daten noch retrospektiv und stammen aus zwei Zentren, doch stärken die Ergebnisse die Idee, dass die Augenoberfläche als „Fenster“ in die Gesundheit der kleinen Nerven des Körpers dienen kann. Bestätigen künftige multizentrische Langzeitstudien, dass Hornhaut-Microneurome verlässlich frühe diabetische Nervenschäden signalisieren, könnte diese Art KI-gestützter Bildgebung zu einem schnellen, nichtinvasiven Screeninginstrument für Menschen mit Diabetes werden, das Verlaufskontrollen ermöglicht und vielleicht erlaubt, vor einer dauerhaften Nervenschädigung einzugreifen.

Zitation: Pan, J., Shi, X., Wan, L. et al. AI-Assisted detection of corneal nerve structural abnormalities in early diabetic keratopathy: development and validation of a deep learning framework. Sci Rep 16, 5846 (2026). https://doi.org/10.1038/s41598-026-36576-1

Schlüsselwörter: diabetische Neuropathie, Hornhautnerven, Microneurome, Deep Learning, in vivo konfokale Mikroskopie