Einleitung
Künstliche Intelligenz stößt in der Augenheilkunde auf außerordentliches Interesse. Dies liegt auf der Hand, denn das Fach verbindet bildgebende Diagnostik in großer Stückzahl mit Mustererkennung und einer großen, ungedeckten Nachfrage für Screenings. Als die wegweisende Deep-Learning-Studie von Gulshan et al. zeigte, dass KI in der Lage ist, Netzhautfotos bezüglich diabetischer Retinopathie auf Expertenniveau auszuwerten, wurde die Augenheilkunde schon früh zum Erprobungsfeld für medizinische KI[1]. Kurz darauf gab es Deep-Learning-Systeme für OCT-basierte Überweisungsentscheidungen, die nahelegten, KI könnte auch komplexere Triage-Prozesse unterstützen, die über das Erkennen einzelner Krankheiten hinausgehen. Diese Studien inspirierten ein Jahrzehnt lang den Optimismus, die Augenheilkunde würde als eines der ersten Fächer klinisch und im großen Stil vom KI-Einsatz profitieren.
Diese Erwartung war nicht unbegründet – aber sie war unvollständig. Ein Großteil der frühen Literatur konzentrierte sich auf retrospektive Metriken wie die Fläche unter der ROC-Kurve, Sensitivität und Spezifität. Diese Werte sind wichtig, aber sie beantworten nicht die entscheidenden Fragen des klinischen Alltags. Und das sind Fragen wie: Verbessert das System den Zugang zur Versorgung? Entlastet es die Kliniker, ohne Folgefehler zu erzeugen? Beschleunigt es Triage, Behandlung und Versorgungsgerechtigkeit? Funktioniert es auch in Kombination mit anderen Geräten, anderen Einrichtungen und bei anderen Krankheitshäufigkeiten und Patientengruppen als in der Entwicklungsphase? Ein KI-Modell, das mit einem sorgfältig kuratierten Test-Datensatz gut abschneidet, kann klinisch dennoch versagen – wenn es zu häufig Ergebnisse liefert, die nicht klassifizierbar sind, wenn es im Workflow schwer integrierbar ist, wenn die Kliniker seinen Aussagen nicht trauen, oder wenn zu viele falsch-positive Überweisungen die Kapazitäten sprengen.
Die Unterscheidung zwischen technischem Potenzial und klinischem Nutzen ist heute Zentrum des Diskurses. KI ist in der Augenheilkunde längst über das Stadium des Experiments hinausgewachsen. Autonome Screening-Systeme für diabetische Retinopathie wurden prospektiv evaluiert, behördlich zugelassen und in echte klinische Abläufe integriert [3–7]. Gleichzeitig findet praktische KI-Nutzung nur in bescheidenem Umfang statt, und viele vielversprechende ophthalmologische KI-Werkzeuge haben noch einen weiten Weg bis zum Routineeinsatz [7]. In dieser Lücke zwischen Leistungsfähigkeit und Akzeptanz bildet sich der Hype.
In diesem Übersichtsartikel geht es um ophthalmologische KI aus Sicht des klinischen Real-World-Nutzens und nicht um etwaige technische Neuheiten. Das Kernargument ist zielgerichtet: Unser Fach sollte aufhören, nur zu fragen, ob KI Bilder präzise klassifizieren kann – und stattdessen fragen: Kann KI die augenmedizinische Versorgung auf messbare, dauerhafte und gerechte Weise verbessern? Im Folgenden werden die stärkste Evidenz, die größten Hürden und die logisch nächsten Schritte dargestellt.
zum vollständigen BeitragKai Jin, Andrzej Grzybowski
