KI-gestützte Qualitätskontrolle für Retinofotos bei diabetischer Retinopathie

Diabetische Retinopathie (DR) bedroht Menschen mit langfristigem Diabetes und kann ohne frühzeitige Diagnose zu Sehverlust führen. Durch die Aufnahme von Fundusfotos lassen sich die Strukturen der Netzhaut sowie typische Läsionen sichtbar machen, die den Krankheitsverlauf anzeigen.

Für den Einsatz von Künstlicher Intelligenz (KI) in der Diagnostik sind jedoch hochqualitative, annotierte Bilddatensätze unerlässlich. In der Praxis treten häufig Fehler bei der Bildaufnahme und bei der manuellen Interpretation der Läsionen auf, was die Zuverlässigkeit von KI-Modellen gefährdet.

Um diese Probleme zu adressieren, wurde ein Qualitätskontroll-Framework entwickelt. Zunächst filtert ein erklärbarer, featurebasierter Klassifikator unzureichende Bilder heraus. Die Merkmale werden dabei sowohl aus klassischen Bildverarbeitungsalgorithmen als auch aus kontrastiven Lernmethoden extrahiert, sodass die Entscheidung transparent und nachvollziehbar bleibt.

Nach der Filterung werden die verbleibenden Bilder verbessert und anschließend annotiert. Dabei unterstützt ein tiefes Lernmodell die Annotatoren, wodurch die Präzision der Markierungen steigt. Abschließend wird die Übereinstimmung zwischen den Annotatoren mit mathematisch abgeleiteten Formeln bewertet, um die Nutzbarkeit der Anmerkungen für das Training von KI-Modellen zu bestimmen.

Durch diese mehrstufige Qualitätskontrolle können KI-Modelle mit zuverlässigeren Daten trainiert werden, was die diagnostische Genauigkeit erhöht, den manuellen Aufwand reduziert und letztlich zu besseren Behandlungsergebnissen für Patienten mit diabetischer Retinopathie führt.