Optische Kohärenztomographie und maschinelles Lernen zur Erkennung von Sehstörungen bei pädiatrischen Patienten mit Neurofibromatose Typ 1

Warum das für das Sehvermögen von Kindern wichtig ist

Bei Kindern mit einer seltenen genetischen Erkrankung, der Neurofibromatose Typ 1 (NF‑1), kann der Verlust des Sehvermögens eine lebensverändernde Komplikation darstellen. Ärztinnen und Ärzte nutzen bereits eine nichtinvasive Augenuntersuchung, die optische Kohärenztomographie (OCT), um winzige Strukturen im hinteren Augenbereich darzustellen. Allerdings war es schwer, aus diesen Bildern verlässliche Warnhinweise dafür abzuleiten, welche Kinder gefährdet sind. In dieser Studie untersuchen die Autoren, ob computerbasierte Mustererkennung, bekannt als maschinelles Lernen, routinemäßige OCT‑Messungen in ein Frühwarnsystem für Sehprobleme bei diesen jungen Patientinnen und Patienten verwandeln kann.

Eine genetische Störung mit verborgenen Augenrisiken

NF‑1 tritt bei etwa einem von 2.500 bis 3.000 Neugeborenen auf und kann eine breite Palette von Haut-, Nerven‑ und Augenveränderungen verursachen. Eine der gravierendsten Gefahren ist die Entstehung von Tumoren entlang des Sehnervs, sogenannte optische Gangliengliome (Optic Pathway Gliomas). Ungefähr eines von fünf Kindern mit NF‑1 entwickelt solche Tumoren, häufig im Alter um fünf Jahre, und einige erleiden bleibende Einschränkungen der Sehschärfe oder des Gesichtsfelds. Da kleine Kinder Sehverluste möglicherweise nicht bemerken oder mitteilen, müssen Ärztinnen und Ärzte auf regelmäßige Untersuchungen und Hirn-Bildgebung zurückgreifen, um Probleme früh zu erkennen – Verfahren, die belastend, zeitaufwendig und mitunter nicht eindeutig sind.

Ein genauerer Blick auf die Verschaltung des Auges

Die OCT funktioniert ähnlich wie Ultraschall, nutzt dabei jedoch Licht statt Schall und erzeugt detaillierte Querschnittsbilder der Netzhaut und des Sehnervs. Das Forschungsteam konzentrierte sich auf die Dicke bestimmter Schichten, insbesondere der retinalen Nervenfaserschicht und der Ganglienzellschichten, die visuelle Signale vom Auge zum Gehirn transportieren. Sie sammelten 515 OCT‑Untersuchungen von 168 Kindern und Jugendlichen im Alter von 3 bis 19 Jahren, einige mit normalem Sehvermögen, andere mit bei einem oder mehreren Terminen nachgewiesener Sehverminderung. Anstatt jedes Pixel jeder Aufnahme zu analysieren, nutzten die Wissenschaftler einfache numerische Zusammenfassungen – Gesamtstärken wichtiger Schichten in der zentralen Netzhaut (Makula) und rund um den Sehnerv – was die Ergebnisse leichter auf die reale Anatomie und auf das, was Kliniker bereits in der Praxis sehen, übertragbar macht.

Computer darin schulen, Frühwarnzeichen zu erkennen

Die Forschenden testeten anschließend neun verschiedene Methoden des maschinellen Lernens, um zu ermitteln, welche am besten normales von abnormem Sehvermögen anhand dieser Dickenmessungen unterscheiden kann. Sie legten besonderen Wert darauf, zu optimistische Ergebnisse zu vermeiden, indem sie sicherstellten, dass Daten desselben Kindes nie sowohl im Trainings‑ als auch im Testset vorkamen. Als am besten geeignetes Modell für ein Screening‑Werkzeug erwies sich ein sogenannter Balanced Random Forest – im Kern ein Ensemble aus Entscheidungsbäumen, das für ungleiche Klassenverteilungen angepasst ist. Allein mit makulären Messungen trennte dieses Modell korrekt normales von abnormalem Sehvermögen mit einer Fläche unter der Kurve (AUC) von 0,82 und erkannte etwa zwei Drittel der Kinder mit Sehproblemen, eine Sensitivität, die wertvoll ist, wenn die Priorität darin besteht, gefährdete Patientinnen und Patienten nicht zu übersehen.

Von Zahlen zu praktischen Schwellenwerten

Um das System für Kliniker verständlich zu halten, wendete das Team eine Erklärmethode an, die zeigt, wie stark jedes Merkmal das Modell in Richtung Normal‑ oder Abnormalvorhersage zieht. Dabei zeigte sich, dass eine Ausdünnung der retinalen Nervenfaserschicht und der kombinierten Ganglienzellschichten in sowohl der Makula als auch der Sehnervregion stark mit Sehverlust verknüpft war. Die Forschenden gingen einen Schritt weiter und nutzten diese Erklärungen, um vorläufige Schwellenwerte abzuleiten – zum Beispiel war eine makuläre Nervenfaserschicht dünner als etwa 34 Mikrometer mit einem deutlich höheren Anteil an Kindern mit abnormalem Sehvermögen assoziiert. Sie prüften außerdem, wie das Risiko steigt, wenn mehrere Schichten ihre Schwellenwerte überschreiten: Kinder, bei denen drei oder mehr Grenzwerte auffielen, wiesen deutlich häufiger Sehprobleme auf als solche ohne solche Auffälligkeiten, was darauf hindeutet, dass das Zusammenführen mehrerer subtiler Veränderungen die Risikoschätzung präzisiert.

Was das für Familien und Ärztinnen und Ärzte bedeutet

Die Studie zeigt, dass einfache Messgrößen, die bereits bei Standard‑OCT‑Aufnahmen vorhanden sind, in ein transparentes, datenbasiertes Werkzeug zur Kennzeichnung von NF‑1‑Kindern umgewandelt werden können, die möglicherweise sehschädigende Veränderungen entwickeln. Solche Modelle sollen nicht Ärztinnen und Ärzte ersetzen, sondern aufzeigen, welche Kinder engmaschiger überwacht, früher behandelt oder weiterführend untersucht werden sollten. Die vorgeschlagenen Dicken‑Schwellenwerte und die Regel zur „Anzahl der abnormen Schichten“ sind noch nicht ausreichend validiert, um allein therapeutische Entscheidungen zu leiten; sie müssen in größeren, multizentrischen Studien überprüft werden. Dennoch legt diese Arbeit nahe, dass die Kombination präziser Augenbildgebung mit erklärbarer künstlicher Intelligenz dazu beitragen kann, das Sehvermögen einer verletzlichen Kindergruppe zu schützen, indem Probleme erkannt werden, bevor sie irreversibel werden.

Zitation: Cañada, C.F., Parcerisas, J.G., Bartomeu, J.P. et al. Utilizing optical coherence tomography and machine learning to identify vision abnormalities in pediatric neurofibromatosis type 1 patients. Sci Rep 16, 7237 (2026). https://doi.org/10.1038/s41598-026-37900-5

Schlüsselwörter: Neurofibromatose Typ 1, pädiatrisches Sehvermögen, optische Kohärenztomographie, maschinelles Lernen, Retina-Nervenfaserschicht