Braided Vision Transformer for Stroke Detection in Multi-view Retinal Fundus Imaging
Dit artikel introduceert de Braided Vision Transformer (BViT), een nieuw deep learning-model dat multi-view retinaal fundusbeelden van beide ogen benut om beroertes en tijdelijke ischemische aanvallen te detecteren door gelijktijdig kenmerken te extraheren en de relaties tussen de verschillende beelden te modelleren, waarbij een AUC van 0,75 wordt bereikt op een nieuw verzamelde dataset.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Beroerte blijft een van de meest verwoestende gezondheidsuitdagingen ter wereld, een belangrijke doodsoorzaak en een leidende oorzaak van langdurige invaliditeit die zonder waarschuwing toeslaat. Decennialang hebben artsen vertrouwd op zware, dure machines zoals CT-scanners en MRI's om in de hersenen te kijken en een beroerte te bevestigen. Deze instrumenten zijn essentieel voor de behandeling, maar ze zijn niet altijd beschikbaar voor snelle screening, vooral niet in afgelegen gebieden of voor vroege waarschuwingssignalen. Een groeiende hoeveelheid onderzoek suggereert dat de sleutel tot het opsporen van deze gevaren misschien niet in de hersenen zelf ligt, maar in het oog. Het netvlies, het lichtgevoelige weefsel aan de achterkant van het oog, is de enige plek in het lichaam waar artsen direct bloedvaten kunnen observeren zonder chirurgie. Omdat de vaten in het oog en de hersenen zo vergelijkbaar zijn, weerspiegelen veranderingen in de minuscule bloedvaten van het netvlies vaak de gezondheid van het eigen doorbloedingssysteem van de hersenen. Deze connectie heeft geleid tot een zoektocht naar een snellere, goedkopere en niet-invasieve manier om het risico op een beroerte te beoordelen met niets meer dan een foto van het oog.
Onderzoekers van het VTT Technical Research Centre of Finland hebben dit concept een stap verder gebracht door een nieuw computersysteem te ontwikkelen dat deze retinale foto's met ongekende diepte kan lezen. In een recente studie introduceerden zij een methode genaamd de Braided Vision Transformer, een type kunstmatige intelligentie dat naar het oog kijkt op een manier waarop geen enkel eerder systeem dat kon. In plaats van een enkele afbeelding in isolatie te analyseren, onderzoekt dit systeem tegelijkert kers vier verschillende aanzichten van het netvlies: de macula en de oogzenuwkop van zowel het linker- als het rechteroog. De macula is het centrale deel van het netvlies dat verantwoordelijk is voor scherp zicht, terwijl de oogzenuwkop de plek is waar de zenuwvezels het oog verlaten om naar de hersenen te reizen. Door deze specifieke gebieden van beide ogen vast te leggen, verzamelt het systeem een veel rijker beeld van de vasculaire gezondheid van een persoon dan een enkele snapshot ooit zou kunnen doen.
De kerninnovatie van dit werk ligt in de manier waarop de computer deze vier afbeeldingen verwerkt. Traditionele modellen voor kunstmatige intelligentie behandelen elke afbeelding vaak als een afzonderlijk puzzelstukje, waarbij ze de stukjes één voor één oplossen voordat ze de antwoorden combineren. De nieuwe Braided Vision Transformer weeft de informatie echter vanaf het begin samen. Het creëert een structuur waarbij de computer voortdurend de patronen van de bloedvaten in het linkeroog vergelijkt met die in het rechteroog, en het centrale aanzicht met het zijdelingse aanzicht, en dat alles tegelijkertijd. Deze aanpak bootst na hoe een deskundige clinicus naar een patiënt zou kijken, waarbij hij voortdurend de focus verlegt tussen verschillende delen van het oog en beide ogen om subtiele inconsistenties op te merken die op problemen wijzen. De onderzoekers trainden dit systeem op een dataset van meer dan 800 retinale afbeeldingen verzameld van meer dan 200 deelnemers, inclusend mensen die een beroerte hadden gehad, mensen die een tijdelijke ischemische aanval hadden ervaren — een tijdelijke blokkade die vaak een 'mini-beroerte' wordt genoemd — en gezonde individuen.
De resultaten van deze training waren veelbelovend. Wanneer het systeem werd getest op zijn vermogen om gezonde ogen te onderscheiden van ogen die tekenen van een beroerte of mini-beroerte vertonen, behaalde het een prestatiescore van 0,75, een maatstaf voor nauwkeurigheid die hoger was dan de andere standaard computer vision-modellen die in dezelfde studie werden getest. Het systeem bleek bijzonder effectief in het herkennen van de complexe patronen die geassocieerd worden met cerebrovasculaire gebeurtenissen, waarbij het modellen overtrof die afbeeldingen individueel bekeken of oudere methoden gebruikten om gegevens te combineren. De studie benadrukte ook een cruciale bevinding: kijken naar meerdere aanzichten van het oog is aanzienlijk beter dan kijken naar slechts één. Wanneer de onderzoekers een versie van het systeem testten die slechts naar een enkele afbeelding keek, daalde het vermogen om een beroerte te detecteren drastisch, wat suggereert dat de subtiele tekenen van vasculaire ziekte verspreid zijn over verschillende delen van het netvlies en beide ogen, en gemakkelijk worden gemist als het zicht te beperkt is.
Hoewel het systeem nog niet klaar is om de CT-scanner in de spoedeisende hulp van een ziekenhuis te vervangen, vertegenwoordigt het een belangrijke stap voorwaarts in de potentie voor vroege screening. De onderzoekers merken op dat hun aanpak een draagbaar en kosteneffectief alternatief biedt dat op een dag gebruikt zou kunnen worden in gemeenschapsklinieken of zelfs in afgelegen locaties om individuen te signaleren die onmiddellijke, meer gedetailleerde medische aandacht nodig hebben. De studie bevestigt dat het netvlies waardevolle aanwijzingen bevat over de gezondheid van de hersenen en dat moderne kunstmatige intelligentie, wanneer deze is ontworpen om naar het hele plaatje te kijken in plaats van alleen naar een deel, die aanwijzingen effectiever kan ontsluiten dan ooit tevoren. Door meerdere aanzichten van het oog succesvol samen te weven, suggereert deze nieuwe methode een toekomst waarin de eerste verdedigingslinie tegen een beroerte zo eenvoudig kan zijn als een snelle, pijnloze foto.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.