Cross-Species Adaptation of RETFound for Rodent OCT Age Estimation Reveals Strong CNN Baselines in Data-Scarce Space Biology

Dit onderzoek toont aan dat hoewel menselijke fundatiemodellen zoals RETFound succesvol kunnen worden aangepast voor het schatten van de leeftijd van ratten via OCT-scans, sterke CNN-baselines (zoals Xception) in deze data-arme context van de ruimtebiologie nog steeds betere prestaties leveren.

De kern

De "Taal van het Oog": Kan een menselijke AI de leeftijd van een rat lezen?

Stel je voor dat je een supercomputer hebt die alle foto's van menselijke ogen ter wereld heeft bekeken. Deze computer is een expert in het herkennen van menselijke oogpatronen. Nu komt de vraag van de wetenschappers: "Als we deze computer een foto van een rattenoog laten zien, begrijpt hij dan nog steeds wat hij ziet, of is hij volledig de weg kwijt?"

Het probleem: De ruimte is een eenzame plek voor data

Wetenschappers die onderzoek doen naar de effecten van de ruimtevaart (bijvoorbeeld op astronauten of proefdieren in het ISS) hebben een groot probleem: ze hebben heel weinig foto's. In de ruimte kun je niet even duizenden ratten vangen om foto's te maken; elke foto is kostbaar.

In de computerwereld noemen we dit "data-schaarste". Als je te weinig voorbeelden hebt, leert een computer vaak niet de echte regels, maar gaat hij "gokken" of patronen uit het hoofd leren die er niet echt zijn.

De methode: De "Universele Vertaler"

De onderzoekers gebruikten een slimme truc. Ze namen RETFound, een soort "super-brein" dat getraind is op 1,6 miljoen menselijke oogscans. Je kunt dit zien als een vertaler die vloeiend Frans spreekt. De onderzoekers probeerden deze vertaler te leren hoe hij "Rat" moet spreken, zodat hij de leeftijd van een rat kon voorspellen aan de hand van scans van het oog (OCT-scans).

Om dit te doen, gebruikten ze een techniek genaamd LoRA. Zie dit als een kleine "bijles" voor de vertaler: in plaats van de hele taal opnieuw te leren, geven we de vertaler alleen een klein extra boekje met ratten-termen.

De uitslag: De oude vertrouwde krachtpatser wint

De onderzoekers wilden weten of dit super-brein (de Transformer) beter was dan een ouderwetse, degelijke computer-methode (de CNN/Xception).

De uitslag was verrassend:

• De "super-vertaler" (RETFound) kon de leeftijd van de ratten redelijk goed raden.
• Maar... een ouderwetse, degelijke "rekenmachine" (de Xception-methode) deed het nóg beter!

De metafoor:
Het is alsof je een hypermoderne, peperdure AI-robot meeneemt naar een klein dorpje in de bergen om de lokale taal te leren. De robot is indrukwekkend en begrijpt veel, maar de lokale dorpsoudste (de simpele CNN) die al zijn hele leven in dat dorp woont, begrijpt de mensen en de nuances veel sneller en nauwkeuriger.

Waarom is dit belangrijk?

Hoewel de "super-AI" niet de winnaar was, is het onderzoek niet mislukt. Het bewijst twee belangrijke dingen:

1. Het werkt: We kunnen menselijke kennis over het oog gebruiken om iets te leren over dieren. Dat is een enorme stap voorwaarts voor onderzoek naar de ruimtevaart.
2. Houd het simpel: In situaties waar we heel weinig data hebben (zoals in de ruimte), hoeft het niet altijd het meest ingewikkelde model te zijn. Soms zijn de "klassieke" methodes sterker en betrouwbaarder.

Kortom: De onderzoekers hebben een blauwdruk gemaakt. Ze hebben laten zien hoe we de "taal van het oog" kunnen vertalen van mens naar rat, en ze hebben een waarschuwing gegeven: "Pas op dat je niet te ingewikkeld gaat doen als je maar weinig foto's hebt!"

Technische samenvatting

Technische Samenvatting: Cross-species adaptatie van RETFound voor leeftijdschatting bij knaagdieren via OCT

Het Probleem (Problem Statement)

Binnen de ruimtebiologie (space biology) vormen beeldvormingsstudies een grote uitdaging vanwege de extreme schaarste aan data. Dit beperkt de ontwikkeling van robuuste biomarkers op basis van machine learning. Hoewel datasets van knaagdieren in de ruimte of in ruimte-analoge omgevingen essentieel zijn als preklinisch model, is het onduidelijk in hoeverre fundatiemodellen die getraind zijn op menselijke retinale beelden (zoals OCT-scans) kunnen generaliseren naar de anatomie van knaagdieren. De centrale vraag is of transfer learning van menselijke modellen effectief is voor het voorspellen van chronologische leeftijd bij ratten wanneer de beschikbare data beperkt is.

Methodologie (Methodology)

De onderzoekers voerden een benchmark uit met de volgende componenten:

1. Dataset: Gebruik van de NASA Open Science Data Repository (OSD-679), bestaande uit OCT B-scans van Brown Norway-ratten.
2. Modellen:
   • RETFound+LoRA: Een menselijk retinaal Vision Transformer (ViT) model, vooraf getraind op 1,6 miljoen menselijke retinale beelden. Om het model aan te passen aan de ratten-anatomie zonder alle parameters te herschrijven, werd Low-Rank Adaptation (LoRA) gebruikt.
   • Xception Baseline: Een sterk Convolutional Neural Network (CNN) dat is voorgetraind op ImageNet, gebruikt als vergelijkingsmateriaal.
   • Negative Control: Een Vision Transformer (ViT) die vanaf nul (from scratch) of willekeurig is geïnitialiseerd om de architecturale effecten te controleren.
3. Evaluatieprotocol: Er werd gebruikgemaakt van een 3-fold rat-level cross-validatie (waarbij de splitsing op individueel dierniveau gebeurde om overfitting te voorkomen). De prestaties werden gemeten aan de hand van:
   • MAE (Mean Absolute Error): Gemiddelde absolute afwijking in dagen.
   • $R^2$ (Coefficient of Determination): De verklaarde variantie.
   • MAD (Mean Absolute Difference): Inter-oog consistentie.
4. Interpretabiliteit: Gebruik van saliency maps om te verifiëren of de modellen aandacht besteedden aan anatomisch relevante regio's in het netvlies.

Belangrijkste Resultaten (Key Results)

• RETFound+LoRA prestaties: Het model bereikte een MAE van $26,20 \pm 5,03$ dagen en een $R^2$ van $0,744 \pm 0,049$.
• Vergelijking met Baseline: De Xception-baseline (CNN) presteerde beter dan het transformer-gebaseerde model, met een MAE van $19,01 \pm 7,67$ dagen en een $R^2$ van $0,853 \pm 0,082$.
• Consistentie en Lokalisatie: De inter-oog consistentie bleef stabiel en de saliency maps toonden aan dat de modellen zich concentreerden op de anatomisch plausibele binnenste retinale lagen.
• Observatie: Hoewel RETFound succesvol kon worden aangepast, bleken sterke CNN-architecturen superieur in deze specifieke setting met kleine datasets.

Belangrijkste Bijdragen (Key Contributions)

• Benchmark voor Cross-Species Transfer: Het biedt een systematische vergelijking tussen menselijke fundatiemodellen en traditionele CNN's voor dierlijke OCT-data.
• Validatie van LoRA: Het toont aan dat LoRA een effectieve methode is voor het efficiënt aanpassen van grote transformer-modellen aan nieuwe biologische domeinen.
• Reproduceerbaar Kader: De studie levert een framework en baselines die toekomstig onderzoek naar retinale biomarkers in de ruimtebiologie kunnen ondersteunen.

Betekenis (Significance)

Deze studie is cruciaal voor de ruimtebiologie omdat het de verwachtingen rondom foundation models nuanceert. Het bewijst dat menselijke retinale modellen weliswaar wetenschappelijk bruikbaar zijn voor knaagdieren, maar dat in scenario's met extreme dataschaarste, geoptimaliseerde CNN's (zoals Xception) nog steeds de voorkeur kunnen hebben boven complexe Vision Transformers. Dit helpt onderzoekers bij het maken van betere architecturale keuzes voor de ontwikkeling van biomarkers in de ruimtevaart.