Het menselijk oog is een venster naar het lichaam, maar er doorheen kijken vereist een vaste hand en een getraind oog. Decennialang hebben artsen vertrouwd op een scantechnologie genaamd optische coherentietomografie, of OCT, om in de retina te kijken, de lichtgevoelige laag aan de achterkant van het oog. Deze machine maakt duizenden dwarsdoorsneden, die op elkaar worden gestapeld om een gedetailleerde driedimensionale kaart van de interne structuur van het oog te creëren. Het heeft de manier waarop artsen ziekten zoals diabetische retinopathie of maculadegeneratie opsporen gerevolueerd, waardoor ze problemen kunnen zien lang voordat een patiënt het zicht verliest. Toch, ondanks het vermogen van de machine om deze rijke data vast te leggen, blijft het proces van het omzetten van die beelden in een diagnose een traag, handmatig proces. Een specialist moet eerst controleren of de scan duidelijk genoeg is om te gebruiken, dan door honderden individuele plakjes moeten zoeken om de weinige te vinden die tekenen van problemen vertonen, en tot slot die fragmenten samenvoegen om een compleet beeld van de gezondheid van de patiënt te vormen. Deze arbeidsintensieve workflow creëert een flessenhals, waardoor het moeilijk is om grote populaties te screenen of consistente zorg te bieden op plaatsen waar deskundige artsen schaars zijn.

Onderzoekers proberen al lang kunstmatige intelligentie te bous om te helpen bij deze taak, maar de meeste eerdere pogingen waren als een team van specialisten die slechts één kleine taak kennen. Het ene computerprogramma is misschien goed in het opsporen van wazige beelden, terwijl een ander uitblinkt in het identificeren van een specifieke ziekte op een enkele doorsnede van de scan. Geen van deze systemen kon de hele reis van ruwe afbeelding tot definitieve diagnose zelfstandig afhandelen. Ze worstelden vaak met het feit dat oogziekten driedimensionaal zijn en zich verbergen in de ruimte tussen de plakjes, en ze wankelden wanneer ze geconfronteerd werden met de rommelige, gevarieerde realiteit van gegevens uit de echte wereld in ziekenhuizen. Een nieuwe studie introduceert een systeem dat ontworpen is om dit te veranderen door het hele proces te automatiseren, waarbij het de manier nabootst waarop een menselijke expert een casus van begin tot eind overdenkt.

Het team achter dit werk, geleid door onderzoekers van verschillende grote medische centra in China, ontwikkelde een systeem dat ze FOCUS noemen. Dit framework is gebouwd op een foundation model, een type kunstmatige intelligentie dat is voorgetraind op een enorme hoeveelheid algemene visuele data, wat het een brede kennis geeft van vormen en patronen voordat het ooit een oogscan ziet. De onderzoekers hebben dit krachtige brein verfijnd om retina-afbeeldingen te begrijpen, maar de ware innovatie ligt in de manier waarop het systeem is georganiseerd. In plaats van alleen naar één plaatje te kijken, fungeert FOCUS als een volledige workflow. Eerst controleert het automatisch de kwaliteit van de scan en bepaalt het of de afbeelding duidelijk genoeg is om op te vertrouwen. Als de afbeelding goed is, gaat het naar de volgende stap: het scannen van het gehele volume van het oog om eventuele abnormaliteiten te detecteren. Ten slotte synthetiseert het alle informatie van de duizenden plakjes om een enkele, uitgebreide diagnose voor de patiënt te stellen.

Om te testen of deze aanpak werkte, trainden de onderzoekers het systeem op gegevens van 3.300 patiënten, een enorme collectie van meer dan 40.000 individuele beeldplakjes. Vervolgens zetten ze het systeem op de proef op een aparte groep van 1.345 patiënten uit vier verschillende ziekenhuizen, met verschillende soorten OCT-machines om te garanderen dat het de variatie van de echte wereld kan aan. De resultaten waren opmerkelijk. Het systeem identificeerde correct de hoogwaardige afbeeldingen bijna 99% van de tijd. Bij het zoeken naar tekenen van ziekte detecteerde het abnormaliteiten met een nauwkeurigheid van meer dan 97%. Het belangrijkst van alles was dat, wanneer het kwam op het stellen van een definitieve diagnose voor de patiënt, het een nauwkeurigheid van bijna 94% bereikte. Deze cijfers hielden stand zelfs toen het systeem werd getest op gegevens uit verschillende steden en verschillende ziekenhuizen, wat aantoonde dat het zich kan aanpassen aan nieuwe omgevingen zonder dat het vanaf nul opnieuw getraind hoeft te worden.

De onderzoekers vergeleken ook de prestaties van hun AI met die van menselijke artsen om te zien hoe ze ervan verschilden. In tests die de detectie van abnormaliteiten betroffen, presteerde het systeem even goed als, en in sommige gevallen zelfs beter dan, een groep ervaren oogheelkundig technici. Wanneer het ging om het diagnosticeren van specifieke ziekten, kwam het systeem overeen met de prestaties van een panel van negen clinici met verschillende niveaus van ervaring. Sterker nog, de AI was consistenter dan de mensen. De studie merkte op dat zelfs deskundige artsen soms moeite hadden om bepaalde condities te onderscheiden wanneer zij alleen naar OCT-beelden keken, waarbij ze vaak moesten vertrouwen op andere tests of de patiëntgeschiedenis om zeker te zijn. De AI was echter in staat om subtiele structurele verschillen over het gehele 3D-volume van het oog te ontdekken die mensen mogelijk zouden missen, wat leidde tot meer uniforme beslissingen.

Een cruciaal onderdeel van waarom dit systeem slaagt, is hoe het omgaat met het driedimensionale karakter van het oog. Eerdere AI-tools behandelden elk plakje van de scan vaak als een geïsoleerde gebeurtenis, waarbij de context die de plakjes verbindt, verloren ging. FOCUS gebruikt een methode waarmee het het belang van elk plakje dynamisch kan wegen. Het leert zich te concentreren op de specifieke plakjes die de sterkste bewijzen van ziekte bevatten, terwijl het de plakjes die ambigu of irrelevant zijn, negeert. Dit is vergelijkbaar met hoe een menselijke expert door een stapel papieren zou scannen, snel door de saaie pagina's bladerend en pas aandachtig te lezen op de pagina's die de cruciale informatie bevatten. Door deze bevindingen intelligent te aggregeren, bouwt het systeem een betrouwbare diagnose op zonder het volledige 3D-volume op een computationeel dure manier te hoeven verwerken.

De studie erkent dat, hoewel de resultaten veelbelovend zijn, het systeem nog geen afgewerkt product is dat klaar is voor elke kliniek. De gegevens die gebruikt zijn om het systeem te trainen en te testen, kwamen voornamelijk uit medische centra in China, wat betekent dat het systeem verder gevalideerd moet worden om te verzekeren dat het even goed werkt voor mensen met verschillende etnische achtergronden of in andere gezondheidszorgsystemen. Daarnaast werd de test uitgevoerd op gegevens verzameld uit ziekenhuizen waar patiënten al bekend stonden met oogproblemen, wat een ander scenario is dan het screenen van een gezonde algemene populatie waar ziekten minder vaak voorkomen. De onderzoekers wijzen er ook op dat de huidige versie van het systeem nog niet de mogelijkheid heeft om geschreven rapporten te genereren of een gesprek met een arts te voeren, functies die toekomstige versies met geavanceerde taaltools zouden kunnen toevoegen.

Ondanks deze beperkingen vertegenwoordigt dit werk een belangrijke stap voorwaarts in het veld van medische beeldvorming. Het beweegt voorbij het tijdperk van geïsoleerde instrumenten die een enkele taak uitvoeren en demonstreert dat een verenigd systeem een complex, meerstaps klinisch proces kan automatiseren. Door de kloof tussen ruwe beeldgegevens en een definitieve patiëntdiagnose succesvol te overbruggen, hebben de onderzoekers aangetoond dat het mogelijk is om een AI te bouwen die de redenering van een menselijke specialist nabootst. Deze aanpak biedt een blauwdruk voor een toekomst waarin hoogwaardige oogzorg efficiënter en consistenter kan worden geleverd, wat potentieel toegang tot expert-niveau screening brengt naar gemeenschappen die momenteel een tekort hebben aan gespecialiseerde artsen. Het systeem vervangt de arts niet, maar neemt eerder de tijdrovende, repetitieve barrières weg die voorkomen dat grootschalige screening een realiteit wordt, waarmee de weg wordt vrijgemaakt voor een nieuw tijdperk van geautomatiseerde, toegankelijke ooggezondheid.