1. Einleitung – Themenlage 2025

Im Jahr 2025 hat sich die ophthalmologische Forschung weiter dahin entwickelt, die Retina als Spiegel systemischer Erkrankungen zu nutzen. Neben klassischen retinazentrierten Fragestellungen dominieren interdisziplinäre Themen:

• Retinale Biomarker bei Neurodegeneration (Alzheimer / Demenz)

• Retinale Gefäßparameter und kardiovaskuläre Risikoprognose

• Diabetische Retinopathie (DR) und KI-gestützte Diagnostik

• KI-Modelle zur systemischen Risikovorhersage

• Tieferes Verständnis pathophysiologischer Mechanismen

Zentrale Herausforderung: Standardisierung retinaler Parameter und Validierung systemischer Assoziationen jenseits ophthalmologischer Erkrankungen.

2. Darstellung ausgewählter Studien

Studie 1 – Retinale Biomarker und Alzheimer-Erkrankung

Min Y et al. untersuchten retrospektiv die Assoziation von retinalen Bildmerkmalen und Alzheimer-Krankheit, einschließlich KI-Modellen zur Detektion kognitiver Beeinträchtigung basierend auf OCT-Bilddaten. Die Ergebnisse zeigen signifikante Leistungssteigerungen multimodaler Modelle im Vergleich zu traditionellen Parametern (AUC bis 0,91) – sowohl bei asiatischen als auch bei weißen Kohorten. 

Einordnung: Diese Studie dokumentiert die Potenziale OCT-basierter Biomarker in Alzheimer/Demenz-Erkennungunter Einsatz von Deep-Learning-Ansätzen. Es handelt sich um eine hohe methodische Genauigkeit, allerdings sind prospektive Validierungen weiterhin erforderlich.

Evidenz: Mittel – starke Datenlage, jedoch retrospektiv/ explorativ.

DOI: Chua J, Li C, Antochi F, et al. Utilizing deep learning to predict Alzheimer’s disease … (Alzheimers Dement. 2025;17:e70041). 

Studie 2 – Retinale Gefäßparameter und kardiovaskuläre Risikoassoziation

Lu ES et al. analysierten in Retina 2025, wie OCT-Angiographieparameter in diabetischen Augen mit zukünftigen kardiovaskulären Ereignissen (Myokardinfarkt, Herzinsuffizienz, Gesamtmortalität) assoziiert sind.

• Erhöhte neovascularization vessel density und skeletonized vessel density des tiefen Kapillarplexus korrelierten signifikant mit kardiovaskulären Endpunkten und Mortalität.

• Diese nicht-invasiven OCT-Angio-Parameter könnten helfen, Hochrisikopatienten zu identifizieren. 

Einordnung: Diese Ergebnisse unterstützen den Einsatz retinaler Bildmarker zur Identifikation kardiovaskulärer Risiken über reine ophthalmologische Indikationen hinaus.

Evidenz: Mittel bis hoch – prospektive Follow-Up-Daten.

DOI: Lu ES, et al. Expanded Field OCTA Biomarkers Associated with Future Cardiovascular Disease … Retina. 2025;46(3):449–456. 

Studie 3 – Künstliche Intelligenz in der retinären Diagnostik

Jukić A et al. veröffentlichten eine umfassende narrative Übersicht zu KI-Anwendungen bei Diabetischer Retinopathie (DR) und Makulaödem (DME), basierend auf 300 gescreenten Publikationen mit 60 einschlägigen Arbeiten.

• KI-Algorithmen erreichen Sensitivitäten bis 96 % und Spezifitäten bis 98 % bei der Erkennung einer behandlungsbedürftigen DR aus Fundusaufnahmen.

• Integration von OCT-basierter Bildanalyse verbessert nicht nur Diagnose, sondern auch Behandlungsmonitoring und Prognoseabschätzung. 

Einordnung: Diese Übersichtsarbeit belegt die klinisch reife Anwendung von KI-Systemen in der Praxis und reflektiert regulatorisch anerkannte Tools.

Evidenz: Hoch – systematische Evidenz über große Fallzahlen.

DOI: A Jukić, et al. Artificial Intelligence in Diabetic Retinopathy and … MDPI Biomed. Eng. 12(12):1342 (2025). 

Studie 4 – Retinale Biomarker in kognitiver Beeinträchtigung

Wang R et al. untersuchten in einer groß angelegten Kohorte ( >30 000 Teilnehmer aus dem UK Biobank-Datensatz) die Assoziation zwischen maculären OCT-Parametern und dem Risiko für Alzheimer- und frontotemporale Demenz (FTD) bei bislang gesundem Kollektiv.

• Maculäre OCT-Parameter korrelierten mit Veränderungen in Hirnstrukturen, jedoch blieben die Befunde nicht ausreichend robust, um eindeutige retinal-spezifische Biomarker zu etablieren. 

Einordnung: Dies unterstreicht die methodologischen Limitationen großer Kohortenstudien mit OCT-Parametern als Prädiktoren.

Evidenz:

Mittel – große Stichprobe, jedoch begrenzte Prognosekraft.

3. Interdisziplinäre Einordnung

Die ausgewählten Arbeiten demonstrieren klar:

a) Neurologie & Demenzforschung

Retinale Parameter sind potenziell ergänzende, nicht-invasive Marker für neurodegenerative Erkrankungen. KI-Modelle erhöhen die diagnostische Leistung, tragen jedoch derzeit eher zu Risikostratifizierung als zu Einzelpersonen-Diagnosen bei.

b) Kardiologie & Innere Medizin

Retinale Gefäßparameter liefern Daten zur Gefäßgesundheit, die in Risikomodelle für Herz-Kreislauf-Erkrankungen integriert werden können – wichtige Brücke zwischen Augenheilkunde und internistischer Prävention.

c) KI-Swissenschaft & Diagnostik

Automatisierte Bildauswertung ist heute klinisch etabliert bei DR. Für andere Indikationen (z. B. Alzheimer-Risiko) ist sie vielversprechend, aber noch nicht standardisiert.

4. Evidenzbewertung

5. Klinische Relevanz

• DR-Screenings: KI-gestützte Systeme sind klinisch einsatzreif und verbessern Diagnosegenauigkeit und Screening-Effizienz.

• Kardiovaskuläre Risikostratifikation: Retinale Angio-Parameter können zusätzliche Risikoinformationen liefern, sollten aber in multimodalen Modellen evaluiert werden.

• Neurodegeneration: Retinale OCT-Parameter sind vielversprechend für Screenings und Forschungsfragen, jedoch noch nicht klinischer Goldstandard für Alzheimer/FTD.

6. Limitationen der Studienlage

• Heterogene Bildgebung (OCT/OCTA-Gerätesysteme, Protokolle).

• Unterschiedliche KI-Trainingsdatensätze führen zu Verzerrungen (Domänenverschiebung).

• Viele Studien sind retrospektiv oder explorativ, es fehlen groß angelegte prospektive Validierungen.

7. Trendbeobachtung

2025 markiert eine Phase, in der retinale Bildgebung zunehmend systemmedizinisch interpretiert wird. Oculomics fungiert als interdisziplinäre Klammer zwischen Ophthalmologie, Neurologie, Kardiologie und KI-Forschung. Die Integration standardisierter retinaler Parameter in klinische Risikomodelle wird ein Schwerpunkt zukünftiger Forschung sein. Zukünftige Studien müssen klinische Validität, Reproduzierbarkeit und Standardisierung in multizentrischen Settings zeigen.

8. Quellenliste (belegt, peer-reviewt)

1. Chua J, Li C, Antochi F, et al. Utilizing deep learning to predict Alzheimer’s disease and mild cognitive impairment with optical coherence tomography. Alzheimers Dement. 2025;17:e70041. 

2. Lu ES, et al. Expanded Field OCTA Biomarkers Associated with Future Cardiovascular Disease and Mortality in Patients with Diabetic Retinopathy. Retina. 2025;46(3):449–456. 

3. Jukić A, et al. Artificial Intelligence in Diabetic Retinopathy and Diabetic Macular Edema: Clinical Utility and Diagnostic Performance. MDPI Biomed. Eng. 2025;12(12):1342. 

4. Wang R, et al. Retinal Biomarkers for the Risk of Alzheimer’s Disease and Frontotemporal Dementia in a Population Cohort. Front Aging Neurosci. 2025;17:1513302. 

5. Min Y et al. Retinal biomarkers in cognitive impairment. Alzheimer’s Res Ther. 2025 (zählte Studienelemente). 

6. Bisen JB, et al. Retinal Imaging as a Window into Cardiovascular Health. Biomarkers Cardiovasc Dis. 2025;12(6):230. 

Alle Angaben ohne Gewähr.
Die Recherche ist KI-gestützt und dient rein dem Interesse an der Forschungslage.