Hintergrund Diabetische Retinopathie (DR), eine der Hauptursachen für Sehverlust weltweit, resultiert aus chronischen diabetischen Schädigungen der retinalen Blutgefäße. Sehverlust kann verhindert werden, wenn DR frühzeitig erkannt wird, aber die traditionelle retinal Screening durch Augenärzte erfordert Zeit und Expertise. Jüngste Fortschritte in der KI-Technologie, einschließlich klassischem maschinellen Lernen und tiefem Lernen, können bei der DR-Erkennung genauer sein. Dieser Artikel bietet eine umfassende Übersicht über aktuelle KI-Modelle und -Ansätze für das DR-Screening. Methoden Wir haben in PubMed, Web of Science, Scopus, ScienceDirect und EBSCOhost nach den Schlüsselwörtern: Diabetes, Retinopathie, Screening und Früherkennung gesucht. Die Suche war auf englischsprachige Projekte und Studien, die zwischen 2020 und 2025 veröffentlicht wurden, beschränkt. Ergebnisse Die Ergebnisse deuten darauf hin, dass KI-Modelle entscheidend für die frühzeitige Diagnosestellung von DR geworden sind. Während traditionelles maschinelles Lernen zuvor an Effektivität mangelte, hat sich die diagnostische Leistung durch tiefes Lernen erheblich verbessert. Die Modelle, wie das URNet-System, das Vision-Transformer (ViT)-Modell, die ResNet-50- und EfficientNetB0-Modelle, das DenseNet-Modell und das ResNet-18-Modell, haben mit öffentlich verfügbaren Datensätzen hohe Leistungskennzahlen erreicht. DR-Screening-Geräte wie ADX-DR haben bemerkenswerte Leistungen gezeigt. Die EyeArt-Modality wies bei diversen Populationen eine außergewöhnliche Sensitivität auf und erkannte etwa 98,5 % der sehbehinderten DR, während Google AI die Spezialistenleistung in der Spezifität erreichte und in der Sensitivität übertraf. Fazit KI-Methoden, die tiefes Lernen wie CNNs nutzen, haben eine Experten-genaue Genauigkeit bei der Klassifizierung von DR erreicht, zusätzlich zur Validierung in der realen Welt. Halbautonome Systeme wie IDx-DR und EyeArt weisen robuste klinische Leistungen und Skalierbarkeit auf, insbesondere in Ländern mit wenigen Augenärzten. Obwohl die Forschung hauptsächlich in Asien durchgeführt wurde, fehlt es an Forschung aus Afrika und einkommensschwachen Ländern. Zukünftige Techniken, einschließlich Ensemble-Modelle und föderiertes Lernen, werden die Genauigkeit und Zuverlässigkeit weiter verbessern und die frühzeitige Diagnose und Prävention von Sehverlust weltweit unterstützen.
Madi et al. (Thu) haben diese Frage untersucht.