Der Blick ins Auge als Risikotest: KI erkennt Adipositas-Subtypen aus Retinalbildern
Eine Studie zeigt, wie ein Deep-Learning-Modell aus einer einzigen Fundusaufnahme kardiometabolische Adipositas-Subtypen vorhersagt – mit klaren Grenzen für den heutigen Praxiseinsatz.
Mit KI-Unterstützung erstellt · redaktionell geprüft und verantwortet von Steven Breuer.
Zwei Patienten mit identischem BMI können kardiometabolisch völlig unterschiedlich dastehen: der eine mit unauffälligen Laborwerten, der andere mit deutlich erhöhtem Diabetes- und Herz-Kreislauf-Risiko. Diese Heterogenität ist in der Praxis gut bekannt, ihre systematische Erfassung bislang aber aufwendig – sie erfordert mehrere Biomarker aus dem Blut. Eine aktuelle Studie in npj Digital Medicine geht einen anderen Weg: Sie leitet den Adipositas-Subtyp eines Menschen aus einem einzigen Netzhautfoto ab.
Was ROSA leistet
Das Forschungsteam um Runhuang Yang und Kolleg:innen der Capital Medical University Beijing hat dafür ein Modell namens ROSA (Retinal-based Obesity Subtyping Algorithm) entwickelt. Die Grundidee: Zunächst wurden anhand zirkulierender Biomarker und retinaler Merkmale eines Foundation-Modells per latenter Profilanalyse drei Adipositas-Subtypen identifiziert:
- Baseline concordant (BC) – Risikoprofil passt zum erwarteten Ausgangsbefund,
- Discordant inflammatory (DIS) – erhöhtes entzündliches Risiko trotz unauffälligem Ausgangsbild,
- Discordant hyperglycaemic (DHG) – erhöhtes glykämisches Risiko, das über den BMI hinausgeht.
Über Knowledge Distillation wurde dieses multimodale Wissen anschließend in ein Modell überführt, das für die Klassifikation nur noch eine einzelne Fundusaufnahme benötigt – ohne Laborwerte, ohne zusätzliche Untersuchung. Trainiert und getestet wurde an insgesamt 63.693 Personen aus der UK Biobank (n = 37.137) und einer unabhängigen externen Validierungskohorte, der Beijing Health Management Cohort (n = 26.556).
Die Zahlen im Detail
In der externen Validierung erreichte ROSA einen makro-gemittelten AUROC von 0,66 (95%-KI: 0,64–0,67) bei einer makro-gemittelten Sensitivität von 0,45. Innerhalb der internen UKB-Kohorte lag die Leistung deutlich höher, mit einem AUROC von 0,80 (0,79–0,82) und einer Sensitivität von 0,59 – ein Hinweis darauf, dass die Übertragbarkeit auf neue Populationen begrenzt ist.
Entscheidend ist der Blick auf die einzelnen Subtypen: Für den BC-Typ funktionierte die externe Klassifikation gut (Sensitivität 0,84, PPV 0,87). Für den DHG-Typ war die Leistung moderat (Sensitivität 0,51, PPV 0,34). Für den DIS-Typ dagegen brach die Sensitivität auf 0,02 ein – das Modell erkannte diesen Subtyp in der externen Kohorte also praktisch nicht, obwohl der positive Vorhersagewert bei 0,73 lag. Das zeigt: Ein einzelner Summenwert wie der makro-gemittelte AUROC kann klinisch relevante Schwächen verdecken.
Klinische Relevanz der Subtypen
Trotz dieser Einschränkung liefert die Studie ein starkes Argument für die medizinische Bedeutung der Subtypisierung selbst: Über 13 Jahre Nachbeobachtung war der hyperglykämische Subtyp mit einem deutlich erhöhten Risiko für Typ-2-Diabetes assoziiert (HR 4,72; 95%-KI: 3,70–6,02) sowie mit einer beschleunigten Progression zur ersten kardiometabolischen Erkrankung (HR 3,21; 2,53–4,06). Ergänzende Multiomics-Analysen über Phänom, Metabolom, Proteom und Genom fanden für jeden Subtyp jeweils eigene biologische Signaturen – ein Hinweis darauf, dass es sich nicht um statistisches Rauschen, sondern um biologisch unterscheidbare Risikogruppen handelt.
Was das für Praxis und Klinik bedeutet
Für den Praxisalltag ist die Botschaft zweigeteilt. Zum einen bestätigt die Studie, dass BMI allein die kardiometabolische Risikolage unzureichend abbildet – ein Argument dafür, bei Adipositas-Patient:innen differenzierter zu screenen, etwa durch gezielte Kontrolle von Nüchternglukose, HbA1c und Entzündungsmarkern, statt sich allein am Körpergewicht zu orientieren.
Zum anderen sind die Autor:innen selbst zurückhaltend, was den unmittelbaren Einsatz von ROSA betrifft: Sie benennen die begrenzte Sensitivität explizit als Grund, weshalb weitere Kalibrierung und Validierung nötig sind, bevor ein klinischer Einsatz infrage kommt. Insbesondere das nahezu vollständige Versagen bei der Erkennung des entzündlichen Subtyps in der externen Kohorte zeigt, dass ein solches Verfahren aktuell kein Ersatz für laborbasierte Risikostratifizierung ist.
Für Praxen mit ohnehin vorhandener Funduskamera – etwa im Rahmen von Diabetes-Screenings – lohnt es sich dennoch, die Entwicklung zu beobachten: Ein nicht-invasives, bildbasiertes Vorscreening könnte mittelfristig helfen, Risikopatient:innen für eine gezielte Laborabklärung zu priorisieren. Bis dahin bleibt die retinale Subtypisierung ein vielversprechendes Forschungsinstrument, dessen Übertragung in den klinischen Alltag noch aussteht.