De afgelopen jaren zien we steeds meer voorbeelden de revue passeren waarbij de meerwaarde van oogfoto’s, ‘alledaagse’ apparaten zoals smartphones en nieuwe technologieën als AI ingezet worden om de diagnostische processen van ziektes en andere medische aandoeningen te verbeteren en versnellen. Zo is een team van internationale onderzoekers erin geslaagd om bloedarmoede bij kinderen te herkennen door oogfoto’s die gemaakt werden met smartphones te analyseren met machine learning en de radiomics techniek.
Wereldwijd hebben bijna 2 miljard mensen te kampen met bloedarmoede, gekenmerkt door een laag hemoglobinegehalte in het bloed. Bijzonder kwetsbaar voor deze aandoening zijn kinderen in lage- en middeninkomenslanden omdat de diagnose en behandeling in deze landen niet altijd even bereikbaar is. Onbehandeld kan bloedarmoede bij kinderen de groei, het leervermogen en de algehele ontwikkeling verstoren. Vroegtijdige opsporing van de aandoening is essentieel, maar voor de huidige diagnostische methoden moet bloed in een laboratorium onderzocht worden.
Laagdrempelige diagnose
Onderzoekers van Purdue University, Rwanda Biomedical Center en de Universiteit van Rwanda hebben een alternatieve, laagdrempelige methode ontwikkeld voor het diagnosticeren van bloedarmoede bij kinderen. Bij deze methode kunnen eenvoudige grijstintenfoto's van het bindvlies van het oog – de binnenkant van het ooglid en het witte deel van het oog – gebruikt worden om bloedarmoede te voorspellen.
Voor hun studie gebruikten de onderzoekers standaard smartphones om meer dan 12.000 oogfoto's te maken van 565 kinderen in de leeftijd van 5 tot 15 jaar. Vervolgens hebben ze machine learning in combinatie met een techniek genaamd radiomics, die patronen en texturen in medische beelden wiskundig analyseert, gebruikt om kenmerken te identificeren die verband houden met bloedarmoede.
"In tegenstelling tot eerdere pogingen die afhankelijk waren van kleuranalyse of speciale beeldvormingstools, vereist deze methode geen kleurgegevens. In plaats daarvan worden zwart-witfoto's gebruikt om kleine structurele veranderingen in de bloedvaten van het oog te onderzoeken. Deze aanpak vermijdt problemen die worden veroorzaakt door verschillende lichtomstandigheden of cameramodellen, waardoor de methode praktischer is voor gebruik in verschillende omgevingen", vertelt Shaun Hong, promovendus aan de universiteit van Purdue.
Bloedarmoede herkennen met smartphone
De resultaten, gepubliceerd in Biophotonics Discovery, laten een sterk verband zien tussen specifieke ruimtelijke kenmerken en de status van bloedarmoede. Dit verband betekent dat het mogelijk wordt om bloedarmoede te diagnosticeren met alleen een smartphone en eenvoudige software. Dit zou met name nuttig kunnen zijn in afgelegen of onderontwikkelde gebieden, waar de toegang tot geavanceerde medisch diagnostische technologie en -professionals beperkt is.
"De technologie is niet bedoeld om traditionele tests te vervangen, maar kan helpen bij het bepalen wie verdere evaluatie en behandeling nodig heeft. Met verdere ontwikkeling zou de methode kunnen worden geïntegreerd in mobiele gezondheidstools ter ondersteuning van vroege interventie in gebieden waar de toegang tot gezondheidszorg beperkt is", aldus Professor Young L. Kim van de universiteit van Purdue.
Oogfoto’s en diagnostiek
Zoals reeds aangegeven zijn de afgelopen jaren diverse ontwikkelingen de revue gepasseerd waarbij oogfoto’s, al dan niet in combinatie met AI of andere technologieën, gebruikt worden om de diagnostische processen van ziektes en andere medische aandoeningen te verbeteren en versnellen. Zo toonde een studie met gegevens van meer dan 45.000 personen aan dat het netvlies fungeert als een 'vingerafdruk' die het risico op een beroerte nauwkeurig kan voorspellen. Door 29 vasculaire indicatoren in het netvlies te analyseren, bleek deze methode even effectief als traditionele risicofactoren zoals bloeddruk en cholesterol.
Andere onderzoekers ontwikkelden de app PupilSense, die via de smartphonecamera de pupilreacties van gebruikers analyseert om tekenen van depressie te detecteren. In een testperiode van vier weken kwam de AI-tool in drie kwart (76%) van de gevallen overeen met zelfgerapporteerde depressieve stemmingen van de deelnemers. Deze methode biedt een niet-invasieve en gebruiksvriendelijke manier om depressie vroegtijdig op te sporen. En Koreaanse onderzoekers hebben een AI-algoritme ontwikkeld dat netvliesfoto's van kinderen analyseert om autisme en de ernst ervan te diagnosticeren. In een studie met 958 kinderen bleek het algoritme een nauwkeurigheid van 100 procent te behalen bij het identificeren van autisme.
Deze innovaties benadrukken de potentie van oogfoto's en AI in de medische diagnostiek, met als voordeel dat ze snel, niet-invasief en kosteneffectief zijn. Ze kunnen vooral waardevol zijn in de eerstelijnszorg en bij het monitoren van risicopatiënten.
