Automatisierte Erkennung und Segmentierung des Weiss-Rings in Fundusfotografien mittels Deep Learning

Warum winzige Ringe im Auge wichtig sind

Mit zunehmendem Alter bemerken viele Menschen neue „Flusen“, die durch ihr Sichtfeld schweben. Die meisten sind harmlos, doch einige können auf Veränderungen hinweisen, die gelegentlich zu Netzhautrissen und sogar Erblindung führen. Eines der deutlichsten Zeichen einer solchen Veränderung ist ein kleiner, ringförmiger Fleck im Auge, der Weiss-Ring genannt wird. Auf alltäglichen Augenfotos kann dieser Ring jedoch schwach und leicht zu übersehen sein – selbst für Expertinnen und Experten und erst recht für Computer. Diese Studie beschreibt ein neues System der künstlichen Intelligenz (KI), das lernt, Weiss-Ringe in Standard-Retinaaufnahmen zu erkennen und zu umreißen, und damit aus Routinebildern potenziell wertvollere klinische und forschungsrelevante Informationen zu gewinnen.

Ein subtiler Hinweis in routinemäßigen Augenfotos

Das Innere des Auges ist mit einem klaren Gel gefüllt, das sich im Alter langsam von der Netzhaut löst – ein Vorgang, der als hintere Glaskörperabhebung bekannt ist. Wenn diese Ablösung abgeschlossen ist, kann ein schwebender Gewebering vor dem Sehnervenkopf zurückbleiben: der Weiss-Ring. Sein Vorhandensein zeigt an, dass die Ablösung beendet ist, und bei einigen Patientinnen und Patienten mit plötzlichen Lichtblitzen oder Flusen kann er ein Zeitfenster markieren, in dem die Netzhaut anfälliger für kleine Risse ist. Dennoch sind Weiss-Ringe nicht immer sichtbar, können außerhalb des Kamerafeldes liegen und wirken oft wie unscharfe Schatten. Traditionelle KI-Systeme, die auf häufige Netzhauterkrankungen trainiert wurden, haben diese Strukturen größtenteils ignoriert oder fälschlich als Artefakte eingestuft, sodass eine wichtige Informationsquelle ungenutzt blieb.

Computern beibringen, den Ring zu finden

Die Forschenden stellten 582 farbige Augenfotos aus mehreren öffentlich zugänglichen Datenbanken zusammen und ließen drei Augenfachpersonen markieren, in welchen Bildern ein Weiss-Ring enthalten ist und dessen Umriss sorgfältig nachzeichnen. Dadurch entstanden 194 Bilder mit Ring und 388 ohne. Anschließend bauten sie ein zweiteiliges KI-System. Ein Teil, das Segmentierungsnetzwerk, lernte, pixelgenaue Karten zu zeichnen, wo der Ring in jedem Bild liegt. Der andere Teil, ein Klassifikationsnetzwerk, lernte zu entscheiden, ob überhaupt ein Ring im Bild vorhanden ist. Ein zweiter Klassifikator betrachtete nur die Segmentierungsmaske und beurteilte, ob die markierte Region wirklich wie ein Ring aussieht. Schließlich kombinierte ein einfaches statistisches Modell die beiden Klassifikationswerte zu einer einzigen, abschließenden Vorhersage.

Wie gut das System abschnitt

In einem zurückgehaltenen Testdatensatz, den die KI während des Trainings nie sah, erzeugte das ringumzeichnende Netzwerk Karten, die in den klareren Fällen vernünftig mit den Zeichnungen der Expertinnen und Experten übereinstimmten. Es war besonders sensitiv und erfasste die meisten echten Ringe, markierte jedoch gelegentlich zusätzliche Bereiche, in denen Spiegelungen oder Hintergrundtexturen einem Ring ähnelten. Wenn die Segmentierungsergebnisse mit dem bildweiten Klassifikator kombiniert wurden, verbesserte sich die Gesamterkennung. Das kombinierte System unterschied Ring- von Nicht-Ring-Bildern mit einem hohen Flächenunter-der-Kurve-Wert (etwa 0,90) und solider Genauigkeit und zeigte zugleich gute Fähigkeit, Bilder ohne Ring auszuschließen. Visuelle Heatmaps bestätigten, dass sich das Modell hauptsächlich auf die Gegend um den Sehnerv konzentrierte, wo Weiss-Ringe typischerweise auftreten, was Vertrauen stärkt, dass es klinisch sinnvolle Hinweise nutzte statt zufälliger Muster.

Was das für Versorgung und Forschung bedeuten könnte

Die Autorinnen und Autoren betonen, dass dieses Werkzeug keinen vollständigen Augenbefund oder weiterführende Untersuchungen ersetzen kann, wenn jemand über plötzlich auftretende Lichtblitze oder Flusen berichtet. Standardfotografien erfassen nur einen Teil der Netzhaut, und viele Menschen mit Glaskörperablösung zeigen nie einen sichtbaren Ring. Stattdessen wird das System als Assistenz präsentiert: Es kann Bilder in großen Screening-Programmen für eine genauere Überprüfung markieren, Auszubildenden helfen, subtile Ringe zu erkennen, und Forschenden ermöglichen, tausende archivierte Fotos zu durchsuchen, um zu untersuchen, wie häufig Ringe auftreten und wie sie mit Faktoren wie Alter, Operationen oder anderen Augenerkrankungen zusammenhängen. Da die Studie eine vergleichsweise kleine Zahl öffentlich verfügbarer Bilder verwendete, werden größere, realweltliche Studien – idealerweise im Vergleich mit Weitwinkelaufnahmen oder dreidimensionalen Scans – erforderlich sein, bevor der Ansatz in alltäglichen klinischen Entscheidungen vertrauensvoll eingesetzt werden kann.

Ein kleiner Ring mit großem Datenpotenzial

Einfach gesagt zeigt diese Arbeit, dass ein Computer nicht nur darauf trainiert werden kann, „Ja oder Nein“ zu einem winzigen schwebenden Ring im Auge zu sagen, sondern auch dessen Lage zu skizzieren. Obwohl das System noch ein Proof of Concept und keine diagnostische Instanz ist, öffnet es die Tür, ein häufig übersehenes Merkmal in ein durchsuchbares Signal großer Bildsammlungen zu verwandeln. Sorgfältig eingesetzt und begleitet von einer angemessenen Untersuchung könnte eine solche KI Ärztinnen und Ärzten sowie Forschenden helfen, subtilen Flusen, die eine Geschichte über das alternde Auge erzählen, mehr Aufmerksamkeit zu schenken.

Zitation: Kim, H., Ryu, S.Y., Yoo, T.K. et al. Automated detection and segmentation of Weiss ring in fundus photography images using deep learning. Sci Rep 16, 13787 (2026). https://doi.org/10.1038/s41598-026-44593-3

Schlüsselwörter: Weiss-Ring, Retina-Bildgebung, Deep Learning, Glaskörperablösung, medizinische KI