Makulalöcher: KI-Modell LMMR-YOLO erreicht 94,78 Prozent Genauigkeit

In der ophthalmologischen Diagnostik spielt die präzise Vermessung pathologischer Veränderungen der Netzhaut eine zentrale Rolle. Eine wissenschaftliche Untersuchung gibt nun Einblick in die Leistungsfähigkeit automatisierter Systeme bei Netzhauterkrankungen.

Forschende der Chinesischen Akademie der Medizinischen Wissenschaften, des Peking Union Medical College und des Tianjin Eye Hospital stellten mit LMMR-YOLO ein spezialisiertes KI-Modell vor, das bei der Messung von Makulalöchern eine Genauigkeit von 94,78 Prozent erreicht.

Die Ergebnisse der Arbeitsgruppe wurden im Fachjournal BMC Medical Imaging im Rahmen eines Peer-Review-Verfahrens veröffentlicht, wie remio.ai in einem Bericht vom 11. Oktober 2026 darlegte.

Technische Architektur und Leistungswerte im internen Test

Das Modell LMMR-YOLO verknüpft die Architekturen von Mask R-CNN sowie YOLOv12-obb, um relevante Strukturen auf Aufnahmen der optischen Kohärenztomografie (OCT) simultan zu lokalisieren und zu vermessen. Zu den erfassten Parametern zählen der minimale Lochdurchmesser, der Basisdurchmesser, die zentrale Aderhautdicke sowie die jeweiligen Seitenhöhen.

Im internen Test prüfte das Forschungsteam das System an 606 OCT-Bildern von 61 Patientinnen und Patienten. Dabei erzielte LMMR-YOLO eine mittlere Präzision (mAP) von 92,69 Prozent bei einem Schnittmengenwert (IoU) von 0,5. Die Präzision lag bei 97,14 Prozent, der Recall bei 87,88 Prozent und der resultierende F1-Wert bei 92,28 Prozent.

Für die zentrale Aderhautdicke ermittelten die Forschenden eine normalisierte Klassifikationsgenauigkeit von 0,97. Die Spiegelverwechslungsrate zwischen links und rechts betrug 0,03.

Ein KI-Modell vermisst Makulalöcher auf OCT-Aufnahmen mit 94,78 Prozent Genauigkeit und klassifiziert sie nach den IVTS-Grenzen von 250 und 400 Mikrometern. Der Test lief jedoch nur intern an 606 Bildern von 61 Patienten — eine externe klinische Validierung steht noch aus. Unser kostenloser Praxisleitfaden zeigt Schritt für Schritt, wie Sie solche Systeme prüfen, bevor sie in Ihren Befundprozess laufen. Praxisleitfaden zur OCT-Auswertung jetzt anfordern

Hinsichtlich der rechnerischen Effizienz umfasst LMMR-YOLO 3,34 Millionen trainierbare Parameter. Pro Inferenzzyklus fallen 11,10 Milliarden Gleitkommaoperationen an, woraus eine Verarbeitungsgeschwindigkeit von 9,44 Bildern pro Sekunde resultiert.

Einstufung nach Kriterien und methodische Grenzen

Zur Einordnung der Defekte greift das System auf die Klassifikation der International Vitreomacular Traction Study (IVTS) zurück. Diese teilt Makulalöcher nach ihrer Ausdehnung ein:
- kleine Löcher mit Werten von höchstens 250 µm,
- mittlere Befunde im Bereich von mehr als 250 bis 400 µm,
- große Defekte mit mehr als 400 µm.

Bereits eine frühere Studie aus dem Jahr 2013 hatte Ansätze zur automatisierten Erfassung untersucht und an 51 Augen eine Segmentierungsgenauigkeit von 96 Prozent demonstriert. Der aktuelle Ansatz zielt darauf ab, über die reine Segmentierung hinaus eine detailliertere morphologische Vermessung bereitzustellen.

Die manuelle Vermessung von Makulalöchern kostet Zeit und liefert von Untersucher zu Untersucher unterschiedliche Werte. Ein automatisiertes Modell erreicht im internen Test 9,44 Bilder pro Sekunde bei 3,34 Millionen trainierbaren Parametern — doch herstellerübergreifende Tests auf verschiedenen OCT-Geräten und ein direkter Vergleich mit praktizierenden Ophthalmologen fehlen bislang. Unsere Vergleichsmatrix und Prüf-Checkliste helfen Ihnen einzuschätzen, welche Messwerte Sie übernehmen können. Vergleichsmatrix und Prüf-Checkliste sichern

Trotz der gemessenen Kennzahlen weisen die Daten auf methodische Einschränkungen hin. Die Ergebnisse basieren vollständig auf einem kleinen retrospektiven Datensatz und wurden bislang nur intern erprobt. Eine externe klinische Validierung steht nach wie vor aus.

Zudem fehlen bislang herstellerübergreifende Tests auf unterschiedlichen OCT-Geräten sowie ein direkter Leistungsvergleich mit praktizierenden Ophthalmologen. Ein klinischer Test des Systems bleibt daher abzuwarten.

de | wissenschaft | 70294807 |