KI-Netzhautuntersuchung erkennt Autismus bei Kindern mit 100% Genauigkeit

Die Bedeutung der Netzhaut: Blick ins Gehirn

Die Netzhaut und der Sehnerv verbinden sich am Sehnervenkopf. Als Teil des zentralen Nervensystems ermöglicht diese Struktur einen Einblick in das Gehirn. Forscher nutzen in zunehmendem Maße die Möglichkeit, diesen Körperteil einfach und nicht invasiv zu untersuchen, um wichtige Informationen über das Gehirn zu erhalten.

Die Studie

Forscher der Yonsei University College of Medicine in Südkorea rekrutierten 958 Teilnehmer im Durchschnittsalter von 7,8 Jahren und fotografierten ihre Netzhäute, was zu insgesamt 1.890 Bildern führte. Die Hälfte der Teilnehmer wurde mit ASD diagnostiziert, während die andere Hälfte alters- und geschlechtsgematchte Kontrollen darstellte.

Verwendung eines KI-Algorithmus

Ein tiefes Lernalgorithmus wurde mit 85% der Netzhautbilder und der Symptom-Schweregrad-Test-Scores trainiert, um Modelle zur Diagnose von ASD und zur Bestimmung des ASD-Symptom-Schweregrads zu erstellen. Die restlichen 15% der Bilder wurden für Tests zurückbehalten.

Ergebnisse

Die KI konnte Kinder mit ASD-Diagnose in einem Testset von Bildern mit einer mittleren Fläche unter der Receiver-Operating-Characteristic (AUROC) Kurve von 1,00 erkennen. Dies bedeutet, dass die Vorhersagen der KI in der aktuellen Studie zu 100% korrekt waren. Sogar wenn 95% der unwichtigsten Bereiche des Bildes entfernt wurden, zeigte sich kein signifikanter Rückgang des mittleren AUROC-Werts.

Darüber hinaus zeigten die Modelle vielversprechende Leistungen bei der Unterscheidung zwischen ASD und TD (typische Entwicklung) anhand von Netzhautfotos. Die Mittelwerte des AUROC-Wertes für den Symptom-Schweregrad betrug 0,74 was als "akzeptabel" eingestuft wurde.

Die Forscher schlussfolgerten, dass die Netzhautfotos zusätzliche Informationen über den Symptom-Schweregrad liefern könnten. Basierend auf den Ergebnissen könnte das auf KI basierende Modell als objektives Screening-Tool ab einem Alter von vier Jahren verwendet werden. Weitere Forschung ist jedoch erforderlich, um die Genauigkeit des Tools bei jüngeren Teilnehmern zu bestätigen. Dies könnte dazu beitragen, dringende Probleme wie den eingeschränkten Zugang zu spezialisierten Kinderpsychiatrie-Bewertungen aufgrund begrenzter Ressourcen zu lösen.

Quelle: Kim JH, Hong J, Choi H, et al. Development of Deep Ensembles to Screen for Autism and Symptom Severity Using Retinal Photographs. JAMA Netw Open. 2023;6(12):e2347692. doi:10.1001/jamanetworkopen.2023.47692