Crop-OCT: a Fully Integrated Imageomics Pipeline to Identify Regional and Focal Retinopathy in Murine Models

Deze studie introduceert Crop-OCT, een volledig geïntegreerde imageomics-pijplijn die duizenden OCT-beelden van muismodellen automatisch analyseert om regionale en focale retinopathie te identificeren en te kwantificeren, waardoor een uniforme basis wordt gelegd voor AI-toepassingen in preklinisch oogonderzoek.

De kern

🕵️‍♂️ De Digitale Oogarts: Crop-OCT

Stel je voor dat je een enorme bibliotheek hebt met miljoenen foto's van ogen van muizen. Deze muizen hebben verschillende oogziektes, net zoals mensen diabetes of een slecht zicht kunnen hebben. De onderzoekers van St. Jude willen weten: Waarom verliezen deze muizen hun zicht? En op welke plek in het oog gebeurt dat precies?

Vroeger moesten wetenschappers deze foto's één voor één bekijken met een loep. Dat was als proberen een naald te vinden in een hooiberg, terwijl je blind bent. Het duurde eeuwen en je kon veel details missen.

Het nieuwe geheim wapen: Crop-OCT
De onderzoekers hebben een slimme computerprogramma bedacht, genaamd Crop-OCT. Je kunt dit zien als een super-snelle, onfatsoenbare robot-assistent die:

1. Duizenden oogfoto's in een handomdraai scant.
2. De foto's in stukjes knipt (zoals een puzzel), zodat hij elk klein stukje van het oog apart kan bekijken.
3. Metingen doet die te klein zijn voor het menselijk oog.

1. De "Puzzel" van het Oog 🧩

Het menselijk oog is als een taart met vele lagen: een buitenste laag, een middenlaag en een binnenste laag. Bij een ziekte verdwijnen soms stukjes van deze taart.

• De oude manier: De wetenschapper keek naar de hele taart en zei: "Oh, hij is een beetje dunner geworden."
• De Crop-OCT manier: De robot knipt de taart in 8 stukjes. Hij meet elk stukje apart. Hij ziet niet alleen dat de taart dunner is, maar hij kan ook zeggen: "Kijk hier! In het linkerbovenste stukje is een heel klein gat ontstaan, terwijl het rechtsonder nog perfect is."

Dit is belangrijk omdat oogziektes vaak niet overal tegelijk beginnen. Ze beginnen op één plek en verspreiden zich. Crop-OCT ziet die eerste kleine gaten voordat ze groot worden.

2. De "Bewegende Camera" 📸

Muizen ademen en bewegen, zelfs als ze slapen. Dat maakt de foto's vaak wazig, alsof je een foto maakt van een rennende hond.

• De oplossing: De onderzoekers maakten niet één foto, maar een hele reeks (zoals een burst-foto op je telefoon). Crop-OCT kiest de scherpste foto's uit en gooit de wazige weg. Het is alsof je een video hebt en de computer automatisch het beste frame kiest om te analyseren.

3. De "Detective" voor Ziektes 🕵️‍♀️

De onderzoekers testten hun robot op 13 verschillende soorten muizen met verschillende oogziektes (zoals een erfelijke vorm van blindheid of diabetes).

• Het resultaat: De robot kon precies zien hoe de ziekte evolueerde. Bijvoorbeeld: bij muizen met diabetes zag hij dat de binnenste lagen van het oog dunner werden, precies zoals bij mensen.
• De verrassing: Bij sommige muizen zag de robot dat het oog niet overal even snel ziek werd. Soms was het bovenkant van het oog al kapot, terwijl de onderkant nog gezond was. Zonder deze slimme robot hadden ze dat nooit gezien; ze hadden gedacht dat de ziekte overal even erg was.

4. De "Onbekende Verdachte" 🕵️‍♂️

Om te bewijzen dat hun robot echt slim is, gaven ze het een geheime test. Ze gaven het een nieuwe set foto's van muizen die ze nog nooit hadden gezien.

• De robot keek naar deze nieuwe muizen en zei: "Hey, deze muizen hebben ook een klein, vreemd gat in hun oog, net als die andere groep!"
• De onderzoekers keken met hun eigen ogen (en microscopen) en zagen: "Ja, je hebt gelijk! Er zit echt een gat."
  Dit bewijst dat de robot niet alleen de oude muizen kent, maar echt een algemeen slimme detector is die nieuwe ziektes kan vinden.

Waarom is dit belangrijk voor jou? 🌍

Dit klinkt misschien als een verhaal over muizen, maar het gaat over ons allemaal.

• Muizen zijn de testvlaggen: Wat we leren van muizen, helpt ons om menselijke ziektes te begrijpen.
• Snellere medicijnen: Omdat de computer zo snel duizenden foto's kan analyseren, kunnen artsen en wetenschappers sneller zien of een nieuw medicijn werkt.
• Oog als venster: Het oog is vaak het eerste waar je ziet dat er iets mis is met de rest van het lichaam (zoals bij diabetes of Alzheimer). Met deze slimme "robot-oogarts" kunnen we ziektes misschien jaren eerder opsporen dan nu.

Kortom: Crop-OCT is als het geven van een superkracht aan de wetenschappers. In plaats van urenlang te mikken met een loep, kunnen ze nu in een oogopslag zien wat er in de diepte van het oog gebeurt, precies waar het begint. Het is de toekomst van het vinden van oogziektes. 👁️🤖✨

Technische samenvatting

Probleemstelling

Optische coherentietomografie (OCT) is een standaard niet-invasieve beeldvormingstechniek voor het diagnosticeren en monitoren van retinopathieën bij zowel patiënten als preklinische muismodellen. Hoewel er grote databases bestaan voor menselijke OCT-data, ontbreekt er een gegeneraliseerd, geautomatiseerd en end-to-end pipeline voor het segmenteren van netvlieslagen, het uitvoeren van kwaliteitscontrole (QC) en het extraheren van features uit grote datasets van muismodellen. Bestaande methoden zijn vaak beperkt tot specifieke ziektemodellen, missen ruimtelijke context (waar in het oog de afwijking zit) of vereisen handmatige analyse, wat niet schaalbaar is voor duizenden afbeeldingen. Er is behoefte aan een oplossing die "imageomics" (machine learning op beelddata) toepast om zowel diffuse als regionale en focale laesies in diverse muismodellen van retinale degeneratie te detecteren.

Methodologie: De Crop-OCT Pipeline

De auteurs hebben een volledig geautomatiseerde pipeline ontwikkeld, genaamd Crop-OCT, die de volgende stappen omvat:

1. Data-acquisitie en Voorbewerking:

   • Er zijn OCT- en fundusbeelden verzameld van 15 muismodellen (inclusief modellen voor retinitis pigmentosa, diabetes, AMD, etc.) over een periode van 3 tot 27 maanden.
   • Per oog werden scans gemaakt op 3 locaties (superieur, midden, inferieur). Om bewegingsartefacten (door ademhaling) te minimaliseren, werden meerdere scans per locatie gemaakt.
   • Cropping: De OCT-afbeeldingen werden opgesplitst in 8 "cropped" (bijgesneden) regio's per oog, loodrecht op de middellijn van het netvlies, waarbij de ruimtelijke coördinaten (x,y) ten opzichte van de oogstructuur behouden bleven.

2. Segmentatie met Deep Learning:

   • Ilastik: Eerst werd een model getraind om het weefsel (retina, RPE, choroid) te scheiden van de achtergrond en de middellijn te definiëren.
   • Swin-UMamba: Twee modellen gebaseerd op de Mamba-architectuur (Swin-UMamba) werden getraind met behulp van handmatig geannoteerde "ground truth" data. Deze modellen segmenteren:
     • De 8 individuele lagen van het netvlies in de OCT-crops.
     • De optische zenuw in de fundusbeelden.
   • Er werden in totaal 296 OCT-crops en 219 fundusbeelden gebruikt voor training.

3. Feature Extractie en Kwantificatie:

   • Uit elke geautomatiseerde segmentatie werden 267 features per afbeelding geëxtraheerd.
   • Skeletisatie: Er werd een mediale as (skeleton) gegenereerd voor elke gesegmenteerde laag.
   • Lokale metingen: Er werden lokale diktemetingen, hoeken van de raaklijn aan het skelet, en detectie van vertakkingen (bifurcaties) en domeinbreuken uitgevoerd.
   • Ruimtelijke registratie: De positie van elke crop werd gekoppeld aan de afstand tot de optische zenuw, waardoor regionale heterogeniteit kan worden geanalyseerd.

4. Kwaliteitscontrole (QC) en Statistiek:

   • Een geautomatiseerde QC-filter verwijdert afbeeldingen met artefacten (bijv. te veel domeinen of onduidelijke lagen) maar behoudt afbeeldingen met echte pathologische laesies.
   • Statistische analyse (Kruskal-Wallis, Wilcoxon rank-sum) werd uitgevoerd op oog- en muisniveau, met correctie voor meervoudige toetsing (FDR).
   • Clustering: Ongecontroleerde hiërarchische clustering werd gebruikt om focale laesies en afwijkende patronen te identificeren zonder voorafgaande kennis van de ziekte.

Belangrijkste Bijdragen

• End-to-end Imageomics Pipeline: De eerste volledig geautomatiseerde pipeline die duizenden muise-OCT-afbeeldingen verwerkt, van ruwe data tot statistische conclusies, met behoud van ruimtelijke context.
• Detectie van Focale en Regionale Laesies: In tegenstelling tot traditionele methoden die alleen gemiddelde diktes berekenen, kan Crop-OCT specifieke, lokale afwijkingen (zoals netvliesloslatingen of focale degeneratie) detecteren door analyse van lokale hoekvariaties en dikte-onregelmatigheden.
• Generaliseerbaarheid: De pipeline is getest op een externe, onbekende dataset (blinde validatie) en bleek effectief voor modellen die niet in de training waren gebruikt.
• Schaalbaarheid: Het systeem heeft in totaal bijna 6 miljoen gemeten features geëxtraheerd uit meer dan 20.000 OCT-afbeeldingen.

Resultaten

• Validatie: De pipeline werd gevalideerd tegen handmatige annotaties en histopathologie (H&E-kleuring). De resultaten toonden een sterke correlatie tussen OCT-metingen en histologische lagen, met een afwijking van slechts ~2% (waarschijnlijk door weefselkrimp bij preparatie).
• Ziekteprogressie: De pipeline kon succesvol de progressie van ziekten zoals Rpe65rd12/rd12 (fotoreceptorverlies) en Ins2Akita/+ (diabetische retinopathie) kwantificeren, inclusief geslachtsgebonden verschillen (bijv. mannelijke diabetesmuizen vertoonden significant verdunning van de IPL).
• Regionale Heterogeniteit: Bij het Tsc1-model (een AMD-model) werd aangetoond dat verdunning van het buitenste kernlaagje (ONL) niet uniform was, maar specifiek in het superieure deel van het oog voorkwam. Dit zou zonder ruimtelijke registratie over het hoofd zijn gezien.
• Focale Laesies: Door clustering van features werden specifieke clusters geïdentificeerd voor:
  • Netvliesloslatingen (bijv. in Cep290rd16/rd16 muizen).
  • Focale degeneratie en RPE-infiltratie (bijv. in Aipl1–/– muizen).
• Externe Validatie: Op een onafhankelijke dataset van NZO en WSB/EiJ muizen (niet gebruikt in training) detecteerde de pipeline succesvol versnelde veroudering en focale degeneratie bij WSB/EiJ-muizen, wat bevestigd werd door histologie.

Significantie en Toekomstperspectief

De Crop-OCT pipeline vormt een fundamentele stap in de toepassing van imageomics op preklinisch oogonderzoek.

• Unificatie: Het biedt een gestandaardiseerde methode voor het analyseren van diverse muismodellen, wat vergelijkingen tussen studies mogelijk maakt.
• Biomarkers: Het kan helpen bij het identificeren van retinale biomarkers voor systemische ziekten (zoals Alzheimer of diabetes), aangezien veranderingen in de oogstructuur vaak correleren met systemische aandoeningen.
• Multimodale Integratie: De pipeline is modulair opgezet en kan worden gekoppeld aan andere AI-toepassingen of multimodale datasets.
• Open Source: De code en pipelines zijn beschikbaar gesteld via GitHub en Zenodo, wat de reproduceerbaarheid en adoptie in de wetenschappelijke gemeenschap bevordert.

Kortom, Crop-OCT transformeert OCT-beeldanalyse van een kwalitatieve, handmatige taak naar een kwantitatieve, hoogdoorvoerende wetenschappelijke discipline die complexe, ruimtelijke ziektepatronen in het oog kan ontrafelen.