Mensen met diabetes hebben een groter risico op schade aan de bloedvaten in het netvlies. Dit kan niet alleen tot een verminderd gezichtsvermogen leiden, maar in sommige gevallen zelfs tot blindheid. Daarom moeten diabetespatiënten regelmatig voor controle naar de oogarts. Daar wordt dan een fundusfoto gemaakt wordt om de bloedvaten van het netvlies in kaart te brengen en onderzoeken en te bepalen of de patiënt aan diabetische retinopathie lijdt. Een proces dat soms drie kwartier in beslag neemt. Een nieuw ontwikkelde AI-tool kan dit onderzoek versnellen en de nauwkeurigheid van de diagnostiek verbeteren.
Voor het onderzoeken van een fundusfoto moeten oogartsen de foto van het netvlies nu nog handmatig segmenteren. Daarbij wordt onderscheid gemaakt tussen de achtergrond en bloedvaten van verschillende lengte, breedte en het zwellingspatroon. Behalve voor diabetische retinopathie wordt deze methode ook gebruikt voor het zoeken naar andere oog- en cardiovasculaire aandoeningen. Dit handmatige segmentatieproces is niet alleen erg moeilijk, maar ook tijdrovend en foutgevoelig.
AI-tool versnelt en verbetert diagnostiek
Onderzoekers van een gezamenlijk laboratorium van de Skoltech-University van Sharjah en het AIRI Institute hebben voor deze handmatige en tijdrovende taak een AI-tool ontwikkeld. Hiermee kunnen de netvliesfoto's die worden gebruikt om diabetische retinopathie te diagnosticeren geautomatiseerd geanalyseerd worden. Hierdoor wordt het hele diagnoseproces versneld, en kunnen diagnoses ook nauwkeuriger gesteld worden.
Er zijn al diverse andere voorbeelden waarbij AI-technologie ingezet wordt voor het analyseren van oogfoto’s en het diagnosticeren van (oog)aandoeningen. Zo werd in 2021 al een methode ontwikkeld om met behulp van een AI-algoritme fundusfoto’s te analyseren op de aanwezigheid van glaucoom. Vorig jaar ontdekten onderzoekers van het Johns Hopkins Children’s Center dat een AI-gedreven oogonderzoek bij jongeren met diabetes de kans op het vroegtijdig vaststellen van diabetische oogziekten kan vergroten.
Hoge nauwkeurigheid én gevoeligheid
In een eerste test op drie geavanceerde datasets werd met de nu ontwikkelde AI-tool een nauwkeurigheid van 97 procent behaald. Volgens de onderzoekers is dat echter niet het belangrijkste resultaat. De gevoeligheid van de AI-tool analyses kwam uit op 84 procent, gebaseerd op de DRIVE database van de industriestandaard. “De gevoeligheid is het belangrijkst. Het weerspiegelt het vermogen van het model om microvaten te identificeren. Iets waar de vorige modellen moeite mee hadden,” aldus Melaku Getahun, een Skoltech promovendus en hoofdauteur van het onderzoek.
Wat dit soort segmentatie bijzonder uitdagend maakt, zijn de fijne details in de netvliesfoto's, waarmee rekening moet worden gehouden en die toch vaak ontsnappen aan zowel de neurale netwerken die eerder voor deze taak zijn ontwikkeld, als aan die van sommige oogspecialisten die deze beelden handmatig analyseren.
Uitdagingen
Hoewel de eerste resultaten veelbelovend genoemd mogen worden, hebben de onderzoekers nog wel enkele uitdagingen te overwinnen. Zo hadden de datasets die gebruikt werden voor het trainen en testen van het AI-model nog wat beperkingen, vooral qua omvang. “Dit belemmerde het vermogen van het model om effectief te generaliseren naar ongeziene gegevens. Echter, door de zorgvuldige toepassing van datavergroting en verwerkingstechnieken zijn we erin geslaagd om de prestaties van het model aanzienlijk te verbeteren,” aldus de hoofdonderzoeker van het onderzoek. “Zelfs met onze nieuwe neurale netwerkarchitectuur bleef het probleem bestaan dat bepaalde pixels van microvaten verkeerd werden geclassificeerd als achtergrond. Om dit aan te pakken hebben we een adaptief drempelalgoritme geïmplementeerd, wat een aanzienlijke verbetering in gevoeligheid en nauwkeurigheid opleverde.”
Toekomstperspectief
Deze uitdagingen betekenen niet dat de ontwikkelde AI-tool voor de analyse van netvliesfoto’s geen toekomst heeft. De mogelijkheid om minuscule ongezonde bloedvaten te herkennen kan zeker van waarde zijn voor klinisch gebruik. Als de genoemde uitdagingen overwonnen worden en het systeem op de juiste wijze doorontwikkeld wordt, dan kan het volgens de onderzoekers een standaard hulpmiddel worden voor het screenen op oogziekten, waarmee oogartsen aandoeningen sneller en nauwkeuriger kunnen diagnosticeren.
“Dit kan helpen bij de vroegtijdige diagnose en preventie van moeilijk te behandelen oogziekten, zoals diabetische retinopathie, die veel voorkomt in bevolkingsgroepen met een hoge diabetesincidentie, evenals andere gerelateerde oogziekten met microvaten,” voegde co-auteur van de studie en professor Rifat Hamoudi van de Universiteit van Sharjah toe. Het onderzoek is gepubliceerd in Pattern Recognition Letters.
