Ein klinisch adaptives Framework zur Testzeit zur Erkennung mehrerer Funduserkrankungen unter Nutzung ophthalmologischer Foundation-Modelle

Warum klügeres Augenscreening wichtig ist

Millionen Menschen weltweit laufen Gefahr, ihr Augenlicht durch Erkrankungen wie Diabetes, Glaukom oder altersbedingte Veränderungen im hinteren Augenbereich zu verlieren. Ärztinnen und Ärzte können viele dieser Probleme auf Fotografien des Augenhintergrunds — sogenannten Fundusaufnahmen — erkennen, doch das sorgfältige Prüfen jeder Aufnahme ist zeitaufwendig, besonders wenn mehrere Erkrankungen gleichzeitig auftreten können. Diese Studie stellt RetExpert vor, ein neues System der künstlichen Intelligenz (KI), das wie ein vielseitiger Augenarzt agieren soll: Es kann gleichzeitig nach vielen Netzhauterkrankungen screenen, mit unordentlichen Realweltdaten umgehen und sich im laufenden Betrieb an verschiedene Kliniken und Kameras anpassen.

Viele Augenprobleme gleichzeitig erkennen

Typische KI‑Werkzeuge für das Augenscreening werden oft darauf trainiert, nur eine Erkrankung gleichzeitig zu erkennen, und setzen voraus, dass Bilder den Aufnahmen ähneln, die während des Trainings verwendet wurden. In echten Kliniken ist das anders. Patientinnen und Patienten haben häufig mehr als einen Augenbefund, Krankheitslabel in Datensätzen sind unvollständig, und Kameras sowie Populationen variieren von Standort zu Standort. RetExpert begegnet diesem Problem, indem es auf „Foundation‑Modellen“ aufbaut — großen visuellen Systemen, die zunächst an riesigen Sammlungen von Netzhautbildern trainiert wurden. Diese Foundation‑Modelle verstehen bereits geläufige Muster in Fundusfotos, etwa Blutgefäße, den Sehnerv und die Makula. RetExpert verwandelt die Bausteine eines solchen Modells in „adaptive Wissenseinheiten“ und fügt kleine Adapterlagen hinzu, die für das Multi‑Diagnose‑Screening feinabgestimmt werden können, ohne das wertvolle bereits gelernte Wissen zu stören.

Bessere Nutzung ungleichmäßiger und unsicherer Daten

Reale medizinische Daten sind oft unausgewogen: Häufige Erkrankungen wie die diabetische Retinopathie treten weitaus öfter auf als seltene Störungen. Wird naiv trainiert, fokussiert sich die KI zu sehr auf häufige Zustände und vernachlässigt ungewöhnliche, aber wichtige Befunde. RetExpert verwendet einen Trainingsansatz, der unterrepräsentierten Erkrankungen mehr Aufmerksamkeit schenkt, damit die Leistung bei seltenen Befunden nicht zusammenbricht. Das System erkennt außerdem, dass einige Vorhersagen von Natur aus unsicherer sind als andere. Anstatt nur einen einzelnen Gesamtvertrauenswert auszugeben, schätzt RetExpert separate Unsicherheitswerte für jede Erkrankung, nach der es gefragt wird. Diese krankheitsspezifische Sicht entspricht eher dem klinischen Denken und erlaubt dem Modell, fragilen Vorhersagen bei späteren Anpassungsschritten vorsichtig zu begegnen.

Weniger Verwechslungen zwischen ähnlichen Erkrankungen

In der Praxis können einige Netzhauterkrankungen ähnlich aussehen, und es ist besonders schädlich, wenn ein KI‑Modell widersprüchliche, aber selbstsichere Antworten gibt — etwa dieselbe Aufnahme sowohl als "normal" als auch als "Makula­degenration" einstuft. Um dem zu begegnen, haben die Autoren eine Ko‑Vorkommensmatrix für Funduserkrankungen erstellt, eine strukturierte Zusammenfassung, wie wahrscheinlich bestimmte Krankheits­paare basierend auf medizinischem Wissen und Statistik gemeinsam auftreten. Während des Trainings lernt RetExpert, seine Ausgabewahrscheinlichkeiten an diese medizinisch sinnvollen Beziehungen anzugleichen. Das Team führte außerdem einen „Verwechslungswert“ ein, der misst, wie oft das Modell bestimmte Krankheits­paare durcheinanderbringt. Mit der Ko‑Vorkommensinformation sanken Verwechslungen zwischen schwierigen Paaren, etwa Makula­degenration und hoher Myopie, um mehr als ein Drittel, wodurch die Vorhersagen für den klinischen Einsatz verlässlicher wurden.

Passt sich während der Testzeit an

Eines der größten Hindernisse für den Einsatz von KI in verschiedenen Krankenhäusern ist der sogenannte „Domain Shift“: Bilder aus einer neuen Klinik können sich wegen unterschiedlicher Patientengruppen, Kameratypen oder Aufnahme­einstellungen unterscheiden. Konventionelle Systeme müssen beim Wechsel in eine neue Umgebung neu trainiert oder umfangreich feinabgestimmt werden, was teuer und langsam ist. RetExpert führt stattdessen eine leichte Anpassung während des Einsatzes durch. Wenn es auf eine Charge neuer Bilder trifft, justiert es kurzzeitig nur seine kleinen Adapterlagen und den finalen Entscheidungs‑Head, wobei es sich zuerst an der Stabilität seiner eigenen Merkmalsrepräsentationen und dann an Pseudo‑Labels orientiert, die nach den krankheitsspezifischen Unsicherheitsabschätzungen gewichtet sind. Wichtig ist: Diese Updates sind vorübergehend und werden nach jeder Charge zurückgesetzt, sodass das Kernmodell nicht über die Zeit driftet — das bewahrt Sicherheit und Reproduzierbarkeit, während kurzfristige Flexibilität gewonnen wird.

Wie gut funktioniert es in der Praxis?

Die Autoren testeten RetExpert an zwei großen Multi‑Erkrankungs‑Datensätzen, die für die Entwicklung verwendet wurden, und anschließend an 15 zusätzlichen öffentlichen und privaten Datensätzen, die aus verschiedenen Ländern, mit unterschiedlichen Kameras und klinischen Umgebungen stammen. Bei den meisten Aufgaben — einschließlich der Erkennung diabetischer Retinopathie, altersbedingter Makuladegeneration, Glaukom, myoper Veränderungen und okulärer Toxoplasmose — erreichte RetExpert die Leistung führender retinaler Foundation‑Modelle oder übertraf sie. Es zeigte außerdem bessere Zuverlässigkeit, mit niedrigeren Verwechslungswerten und stärkeren Ergebnissen bei herausfordernden "Out‑of‑Distribution"‑Datensätzen, die neue Krankenhäuser und Geräte simulieren. Obwohl hochspezialisierte Einzel‑Diagnose‑Systeme für genau diese eine Erkrankung weiterhin leicht besser sein können, verringert RetExpert die Lücke und bietet dabei breite Multi‑Erkrankungs‑Abdeckung in einem einheitlichen Werkzeug.

Ein Schritt zu vertrauenswürdigen automatisierten Augenchecks

Anschaulich ist RetExpert wie ein erfahrener Allgemeinaugenarzt, aufgebaut auf einer großen gemeinsamen Wissensbasis und ausgestattet mit Mitteln, um seltene Erkrankungen zu behandeln, Unsicherheit zu erkennen und sich schnell an neue Kliniken anzupassen, ohne ständig neu trainiert werden zu müssen. Durch die Kombination dieser Elemente — adaptive Module, unsicherheitsbewusstes Lernen, medizinisches Vorwissen und Anpassung zur Testzeit — liefert das Framework genauere und verlässlichere Mehrfach‑Erkrankungs‑Screenings aus einfachen Farbfotografien des Augenhintergrunds. Bei weiterer Entwicklung und Validierung könnten solche Systeme eine frühere Erkennung sehgefährdender Erkrankungen in großem Maßstab unterstützen, besonders dort, wo der Zugang zu Augenspezialisten eingeschränkt ist.

Zitation: Jiang, H., Liu, Z., Gao, M. et al. A test-time clinically adaptive framework for detecting multiple fundus diseases harnessing ophthalmic foundation models. npj Digit. Med. 9, 300 (2026). https://doi.org/10.1038/s41746-026-02480-1

Schlüsselwörter: Retina-Bildgebung, medizinische KI, Screening mehrerer Erkrankungen, Foundation-Modelle, Domänenanpassung