Netzhautalter: KI erkennt bei Diabetes einen Vorsprung von 2,5 Jahren
Veröffentlicht am: 19.10.2026 um 08:39 Uhr | Redaktion boerse-global.de
Die Analyse von Netzhautaufnahmen gewinnt in der Alters- und Präventionsforschung zunehmend an Bedeutung. Eine im Fachjournal GeroScience vorgestellte Untersuchung einer koreanischen Forschungsgruppe verdeutlicht, wie künstliche Intelligenz aus Netzhautbildern das biologische Alter des Augenhintergrunds ermitteln kann.
Die Differenz zwischen diesem geschätzten Wert und dem tatsächlichen Lebensalter – in der Fachwelt als „retinal age gap“ bekannt – liefert messbare Anhaltspunkte über systemische Belastungen und Begleiterkrankungen.
Abweichungen im Netzhautalter und systemische Risikofaktoren
Die Ergebnisse der koreanischen Studie zeigen deutliche Zusammenhänge zwischen dem Zustand der Netzhaut und bestehenden Vorerkrankungen. So wiesen Personen mit Diabetes im Modell eine Netzhaut auf, die im Schnitt 2,5 Jahre älter eingestuft wurde als bei vergleichbaren Personen ohne die Stoffwechselerkrankung.
Auch der Konsum von Tabak hinterlässt messbare Spuren: Bei aktuellen Rauchern lag das errechnete Netzhautalter um 0,50 Jahre über dem chronologischen Alter, bei ehemaligen Rauchern betrug der Unterschied 0,46 Jahre im Vergleich zu Personen, die nie geraucht haben.
Darüber hinaus korrelierten spezifische Augenerkrankungen mit einem vorzeitigen Netzhautaltern. Bei einer altersbedingten Makuladegeneration (AMD) zeigte sich ein durchschnittliches Plus von 0,6 Jahren, während eine Katarakt mit einer Erhöhung um 1,86 Jahre einherging.
Die Forschungsgruppe wies jedoch auf methodische Einschränkungen hin: Es handle sich um statistische Assoziationen und nicht um nachgewiesene Kausalitäten. Da die Daten aus einem einzelnen koreanischen Zentrum stammen, ist das Modell noch nicht für die routinemäßige klinische Praxis freigegeben.
Viele Menschen bemerken eine schleichende Verschlechterung ihrer Augen erst sehr spät, obwohl Früherkennung bei altersbedingten Veränderungen entscheidend ist. Dieser kostenlose 3-Minuten-Test ermöglicht Ihnen eine erste Einschätzung Ihrer Sehkraft bequem von zu Hause aus. Sehtest ohne Arzttermin: Jetzt Sehkraft online prüfen
Ein Facharzt für Augenheilkunde ordnete ein, dass Netzhaut-Biomarker generell ein vielversprechendes Feld für Erkenntnisse über kardiovaskuläre, zerebrovaskuläre, renale, metabolische und neurodegenerative Erkrankungen bieten.
Fortschritte bei Multi-Task-Modellen und Bildgebungsverfahren
Parallel zur Altersbestimmung entwickeln Forschungsgruppen umfassendere KI-Systeme zur parallelen Erkennung multipler Pathologien. Eine in Nature Scientific Reports publizierte Untersuchung stellte ein Multi-Task-Deep-Learning-Modell vor, das auf einer Kombination aus Convolutional Neural Networks (EfficientNet-B4), Transformer-Encodern und Dual-Branch-Attention basiert.
Das Modell kann anhand eines einzigen Fundusbildes simultan den Schweregrad einer diabetischen Retinopathie in fünf Klassen, das Vorliegen eines Glaukoms, das Stadium einer AMD in vier Klassen sowie ein kardiovaskuläres Risiko klassifizieren.
Bei der Evaluierung auf anerkannten Datensätzen wie EyePACS, APTOS 2019, Messidor-2 und RIM-ONE v3 erreichte der Algorithmus eine Genauigkeit von 94,7 Prozent, einen AUC-Wert von 0,978, eine Sensitivität von 93,2 Prozent sowie eine Spezifität von 95,8 Prozent. Damit schnitt das System statistisch signifikant besser ab als herkömmliche Einzelmodelle (DeLong-Test, p<0,01, Bonferroni-korrigiert).
Da unkorrigierte Sehprobleme nicht nur den Alltag, sondern auch die kognitive Belastung des Gehirns beeinflussen können, raten Experten zur regelmäßigen Kontrolle. Nutzen Sie diesen kostenlosen Online-Schnelltest, um rechtzeitig auf Veränderungen Ihrer Augen zu reagieren. Kostenlosen Online-Sehtest in 3 Minuten durchführen
Im bereichsübergreifenden Einsatz ohne vorheriges Training lag die AUC bei mindestens 0,951. Als Limitation gilt, dass in den Trainingsdaten kein Fall mit validierten Befunden für alle vier Zielzustände vorlag und der kardiovaskuläre Messwert auf dem Gefäßdurchmesserverhältnis (AVR) als Surrogatwert basiert, nicht auf einer gesicherten klinischen Diagnose.
Diagnostische Differenzierung und klinische Rahmenbedingungen
Ergänzend zu End-to-End-Bildanalysen nutzen andere Forschungsansätze explizite Gefäß-Biomarker. Modelle erfassen Parameter wie Gefäßdichte, Gefäßschlängelung (Tortuosität) sowie spezifische Gefäßkaliberwerte und kombinieren diese Bilddaten über Aufmerksamkeitsmechanismen mit klinischen Faktoren wie Alter, Geschlecht, Body-Mass-Index, Blutdruck und Raucherstatus.
Für den Verlauf spezifischer Augenerkrankungen wie der zentralen serösen Chorioretinopathie zeigte eine multizentrische Kohortenstudie, dass maschinelles Lernen auf Basis initialer OCT-Biomarker eine Diskriminationsfähigkeit von 0,852 AUC erreichen kann.
Als maßgebliche Prädiktoren für Chronizität erwiesen sich dabei die Dicke der äußeren Körnerschicht neben der Makula, die Dicke des Photorezeptor-RPE-Komplexes sowie das subretinale Flüssigkeitsvolumen.
In der Praxis stehen derartige Technologien vor infrastrukturellen Hürden. Spanische Netzhautspezialisten berichten von einer starken Auslastung des Gesundheitssystems und problematischen Wartezeiten bei Augenerkrankungen.
Fachleute verweisen auf den Ausbau von Screening-Programmen für diabetische Retinopathie und Glaukome sowie die Anschaffung von Retinographen in Primärversorgungszentren. Neue KI-Verfahren werden dabei als Instrumente zur organisatorischen Entlastung und Risikostratifizierung gesehen, die medizinisches Personal gezielt unterstützen, jedoch nicht ersetzen sollen.
