A Tutorial on Automated Classification of Eye Diseases Using Deep Learning

Dit paper presenteert een reproduceerbare tutorial voor het gebruik van transfer learning met het ResNet152V2-model om dertien oogziektes te classificeren op basis van visuele symptomen met een validatie-accuraatheid van 98,8%, waarmee het een praktisch hulpmiddel biedt voor medisch personeel en studenten.

De kern

Hoe een digitale 'oogarts' van de computer oogziektes herkent: Een verhaal in het Nederlands

Stel je voor dat je ogen de ramen van je huis zijn. Ze laten het licht binnen en laten je de wereld zien. Maar soms gaan die ramen lekken, worden ze troebel of beginnen ze te jeuken. Soms zie je de schade direct (zoals een rode vlek), maar soms zit het probleem diep van binnen en heb je een speciale lens nodig om het te zien.

Deze paper is als een nieuwe, slimme assistent voor artsen en opticiens. Het is een computerprogramma dat is getraind om oogziektes te herkennen, niet door naar binnen te kijken met een dure machine, maar gewoon door naar een foto van het oog te kijken, zoals jij die met je telefoon zou maken.

Hier is hoe het werkt, vertaald in alledaags taal:

1. Het probleem: De 'verwarde' diagnose

Oogziektes zijn vaak als verkleedpartijen. Een rode, gezwollen oog kan van alles zijn: een simpele steen (een puistje op het ooglid), een ernstige ontsteking, of iets anders. Voor een beginnend arts of een huisarts is het soms lastig om het verschil te zien. Als je de verkeerde diagnose stelt, krijg je de verkeerde medicijnen, en dat kan je zicht in gevaar brengen.

2. De oplossing: Een digitale 'superlezer'

De auteur, Leila, heeft een computerprogramma gebouwd dat is opgeleid als een superlezer. Dit programma heet ResNet152V2.

• De analogie: Stel je voor dat dit programma een student is die duizenden boeken heeft gelezen over hoe ogen eruitzien. Maar in plaats van alleen boeken, heeft hij miljoenen foto's van gezonde ogen en zieke ogen gezien. Hij heeft geleerd dat een 'steen' er anders uitziet dan 'Graves' oogziekte' (waarbij de ogen uit hun kassen springen).

3. De training: Van beginner tot expert

Hoe leer je zo'n computer? Je kunt hem niet zomaar een foto geven en hopen dat hij het weet. Je moet hem trainen:

• De dataset (De lesboeken): De auteur heeft foto's van 13 verschillende oogziektes verzameld (zoals staar, een zwerende hoornvlies, en droge ogen).
• Het probleem: Er waren niet genoeg foto's. Het was alsof je een student alleen 20 foto's van een kat liet zien en hem dan vroeg om alle katten ter wereld te herkennen.
• De oplossing (Data Augmentatie): De auteur heeft de foto's 'geplukt' en gekopieerd, maar dan een beetje gedraaid, omgekeerd of gekleurd. Dit is alsof je een foto van een kat spiegelt of een beetje kantelt; het is nog steeds dezelfde kat, maar voor de computer is het een nieuwe, unieke foto. Zo werd de 'lesboeken' van 405 foto's uitgebreid naar 8.205 foto's.

4. De test: De examenresultaten

Na het trainen werd het programma getest. Het resultaat was verbazingwekkend:

• 98,8% nauwkeurigheid: Dit betekent dat als je 100 foto's van zieke ogen laat zien, het programma er 99 keer het juiste antwoord geeft.
• De 'perfecte' ziektes: Voor 6 van de 13 ziektes (zoals 'strabismus' of scheelzien en 'xanthelasma' of gele vlekjes op het ooglid) had het programma 100% score. Het maakte geen enkele fout.
• De 'verwarring': Soms maakte het programma een klein foutje, net zoals een mens. Bijvoorbeeld, als twee ziektes allebei een heel rood oog veroorzaken, kan het even twijfelen. Maar over het algemeen was het resultaat uitstekend.

5. Waarom is dit belangrijk?

Dit is niet zomaar een computertrucje. Het is als het geven van een superkracht aan huisartsen en opticiens.

• Stel je voor dat je naar de huisarts gaat met een rood oog. In plaats van te wachten tot je een specialist kunt zien (wat weken kan duren), kan de arts een foto maken, deze in de app scannen en direct een suggestie krijgen: "Dit lijkt sterk op een cornea-ulcus, zorg dat je snel naar de oogarts gaat."
• Het versnelt de diagnose en kan voorkomen dat iemand blind wordt omdat het te laat werd ontdekt.

Conclusie: De toekomst van de oogzorg

De auteur zegt: "Dit is pas het begin." In de toekomst willen ze dit systeem nog slimmer maken, zodat het niet alleen naar de buitenkant van het oog kijkt, maar ook naar de binnenkant (retina) en nog meer ziektes kan herkennen.

Kort samengevat:
Deze paper beschrijft hoe we een computer hebben getraind om als een ervaren oogarts te kijken naar foto's van ogen. Door duizenden voorbeelden te bestuderen, kan de computer nu bijna perfect zien wat er mis is, zodat we onze ogen sneller en beter kunnen beschermen. Het is een stap in de richting van een wereld waar niemand meer door een oogziekte zijn zicht verliest omdat de diagnose te laat kwam.

Technische samenvatting

Probleemstelling

Oogziektes vertonen vaak vergelijkbare vroege visuele symptomen (zoals roodheid en zwelling door ontsteking), wat de diagnose bemoeilijkt, vooral voor minder ervaren artsen en huisartsen. Verkeerde diagnoses of vertragingen door aarzeling kunnen leiden tot ongeschikte behandelingen en zelfs verlies van gezichtsvermogen. Hoewel geavanceerde beeldvorming (zoals fundusfoto's en OCT) bestaat, is er behoefte aan methoden die ook op basis van directe visuele symptomen (kleurafbeeldingen van het oog) een snelle en accurate diagnose kunnen stellen. Bestaande studies focussen vaak op specifieke ziektes of gebruiken fundusbeelden, terwijl er een tekort is aan systemen die een breed scala aan oogziektes kunnen classificeren op basis van externe visuele kenmerken.

Methodologie

De auteurs hebben een diep leermodel ontwikkeld dat gebruikmaakt van transfer learning met het ResNet152V2-architectuur. De aanpak omvat de volgende stappen:

1. Dataverzameling en -voorbereiding:

   • Er zijn afbeeldingen verzameld via Google Images en medische websites voor 13 specifieke oogziektes: cataract, cornea-neovascularisatie, cornea-ulcus, droge ogen, endoftalmitis, globe-ruptuur, Graves' ophthalmopathie, ptosis, scleritis, strabismus, sty, uveitis en xanthelasma.
   • Het originele dataset was klein (totaal 405 afbeeldingen). Om dit tekort aan data op te lossen, is data-augmentatie toegepast (rotatie, verticale en horizontale spiegeling) met de Python-bibliotheek Augmentor.
   • Na augmentatie bedroeg het dataset 8.205 afbeeldingen (ongeveer 620-645 per klasse).
   • De dataset is opgesplitst in 80% voor training (6.564 afbeeldingen) en 20% voor validatie (1.641 afbeeldingen).

2. Model Architectuur:

   • Het model is gebaseerd op ResNet152V2, vooraf getraind op het ImageNet-dataset (1,4 miljoen afbeeldingen, 1000 klassen).
   • De top 20 lagen van het model zijn "ontvriest" (unfrozen) om aan te passen aan de nieuwe data, terwijl de onderliggende lagen bevroren bleven.
   • De architectuur bevat een globale average pooling-laag en twee volledig verbonden lagen (Dense6 en Dense7), gescheiden door een dropout-laag (0,2) om overfitting te voorkomen.
   • De invoer bestaat uit RGB-afbeeldingen van 256x256 pixels.

3. Training:

   • Gebruikte hyperparameters: 10 epochs, batchgrootte van 32, optimizer Adam, en loss-functie sparse_categorical_crossentropy.
   • Er is gebruikgemaakt van EarlyStopping met een geduld van 3 epochs om overtraining te voorkomen.

Belangrijkste Bijdragen

• Brede Classificatie: In tegenstelling tot veel bestaand werk dat zich richt op fundusbeelden of slechts 2-4 ziektes, classificeert dit model 13 verschillende oogziektes uitsluitend op basis van externe visuele symptomen.
• Reproduceerbaarheid: Het artikel fungeert als een tutorial; alle code, datasets en procedures zijn gedocumenteerd om optici, huisartsen en studenten in staat te stellen het systeem te repliceren en te leren.
• Praktische Toepassing: Het systeem is ontworpen om geïntegreerd te worden in mobiele applicaties, waardoor artsen live diagnoses kunnen stellen of foto's van het ooggebied kunnen analyseren.

Resultaten

Het model presteerde uitzonderlijk goed op de validatiedataset:

• Gemiddelde Validatie-Accuracy: 98,8%.
• Per Klasse Accuracy: Variërend van 98% tot 100%. Zes ziektes (Graves' ophthalmopathie, ptosis, scleritis, strabismus, uveitis en xanthelasma) bereikten een perfecte 100% accuracy.
• Recall en Precision:
  • Recall varieerde van 95% tot 100% (100% voor de zes bovengenoemde ziektes).
  • Precision varieerde van 97% tot 100% (100% voor ptosis, scleritis en strabismus).
• Confusiematrix: Toonde aan dat het model ziektes correct classificeert. Fouten waren minimaal en traden voornamelijk op bij ziektes met zeer vergelijkbare visuele symptomen (zoals roodheid en zwelling).

Betekenis en Toekomstperspectief

De studie toont aan dat diep leermiddelen, specifiek ResNet152V2 met transfer learning, zeer effectief kunnen zijn voor het diagnosticeren van oogziektes op basis van visuele symptomen. Dit kan de diagnosestijd verkorten en de nauwkeurigheid verhogen, wat cruciaal is voor het behoud van gezichtsvermogen.

Toekomstplannen:

• Uitbreiding van het aantal ziektes.
• Integratie van zowel retinale beelden als visuele symptomen voor een nog robuuster systeem.
• Noodzakelijke samenwerking met oogartsen voor het verkrijgen van nauwkeurig geannoteerde datasets.
• Onderzoek naar de beste modelcombinaties voor verschillende beeldvormingstechnieken (camera's, ophthalmoscopen, echografie).

Opmerking: Het artikel is een preprint (nog niet gepareerd door peer review) en moet niet worden gebruikt om klinische praktijken te sturen.