Axial Length Matters: Scaling Effects in Retinal Fundus Image Analysis

Deze studie toont aan dat axiale lengte significante meetfouten veroorzaakt in retinale vasculaire biomerkers op fundusfoto's, maar dat deze systematische vertekening effectief kan worden gecorrigeerd met de Bennett-Littmann-formule.

De kern

De "Grootte van het Oog" maakt het Verschil: Waarom Retinale Foto's niet Altijd eerlijk zijn

Stel je voor dat je een foto maakt van een boom. Als je de foto maakt met een standaard camera, zie je de boom zoals hij eruitziet. Maar wat als je de foto maakt met een telelens (die inzoomt) of een groothoeklens (die uitzoomt)? De boom op de foto ziet er dan heel anders uit: ofwel gigantisch, ofwel piepklein.

In dit wetenschappelijke artikel kijken de auteurs naar iets heel vergelijkbaars, maar dan in het menselijk oog. Ze onderzoeken of de lengte van het oog (de "axiale lengte") de metingen op foto's van het netvlies (retina) verandert, en of dit belangrijk is voor het voorspellen van ziektes.

Hier is de uitleg in simpele taal, met wat creatieve vergelijkingen:

1. Het Probleem: De "Valse Schaal"

De meeste mensen denken dat een foto van een oog net zo groot is als het oog zelf. Maar dat klopt niet altijd.

• Korte ogen (bij hyperopie): Het netvlies zit dichter bij de lens. Op de foto lijken de bloedvaten eruit te zien alsof ze groot zijn (alsof je met een vergrootglas kijkt).
• Lange ogen (bij myopie/bril): Het netvlies zit verder weg. Op de foto lijken dezelfde bloedvaten eruit te zien alsof ze klein zijn (alsof je ze van ver weg bekijkt).

De auteurs noemen dit een schalingsprobleem. Het is alsof je twee mensen meet met een liniaal, maar bij de ene persoon gebruik je een liniaal in centimeters en bij de andere in inches, zonder dat je dat doorhebt. Je denkt dan dat de ene persoon groter is dan de andere, terwijl ze misschien even groot zijn.

2. Waarom is dit belangrijk?

Vroeger keken artsen alleen naar het netvlies om oogziektes te zien. Maar tegenwoordig gebruiken computers (kunstmatige intelligentie) deze foto's om algemene ziektes te voorspellen, zoals hartproblemen, diabetes of zelfs Alzheimer.

De computer kijkt naar de grootte van de bloedvaten:

• Zijn ze te smal? Dan is er misschien een hartprobleem.
• Zijn ze te breed? Dan kan er iets anders aan de hand zijn.

Het gevaar: Als de computer niet weet hoe lang het oog is, kan hij een verkeerde conclusie trekken.

• Bij een lang oog (bijvoorbeeld iemand met een sterk minus-bril) ziet de computer de vaten te klein. De computer denkt dan: "Oh, deze vaten zijn te smal, die persoon heeft een hoog risico op een hartaanval." Terwijl de vaten normaal zijn, ze lijken alleen maar klein door de "verre" foto.
• Bij een kort oog denkt de computer dat de vaten te groot zijn, en hij mist misschien een risico.

3. De Oplossing: De "Bennett-Littmann" Formule

De auteurs hebben een oplossing gevonden. Ze gebruiken een wiskundige formule (de Bennett-Littmann-formule) die werkt als een automatische correctiebril voor de computer.

Stel je voor dat je een foto van een lange boom hebt die er klein uitziet. De formule zegt: "Wacht even, we weten dat deze boom ver weg staat. Laten we de foto even 'uitzoomen' in de software om de echte grootte te zien."

Ze hebben dit getest op bijna 2.300 foto's van kinderen en jonge volwassenen.

4. Wat vonden ze?

De resultaten waren verrassend duidelijk:

• Elke 1 millimeter verschil in ooglengte zorgt voor een fout van ongeveer 4,5% in de meting van de breedte van een bloedvat.
• Voor de oppervlakte (hoeveel ruimte het vat inneemt) is de fout zelfs 9 tot 10% per millimeter!
  • Vergelijking: Als je de oppervlakte van een vloer meet en je maakt een kleine fout in de lengte, wordt de fout in de oppervlakte twee keer zo groot. Dat is precies wat hier gebeurt.
• Interessant detail: Het aantal vertakkingen in het vaatnetwerk (hoeveel takjes er zijn) verandert niet. Of je nu inzoomt of niet, de boom heeft evenveel takken. Dit is een goed nieuws voor de computer: die kan het aantal takken veilig gebruiken, maar moet de grootte corrigeren.

5. Wat betekent dit voor de toekomst?

De boodschap van dit artikel is simpel: We moeten de lengte van het oog meetellen.

Als artsen en AI-computers in de toekomst ziektes willen voorspellen op basis van oogfoto's, moeten ze eerst weten hoe lang het oog is. Als ze dat niet doen, maken ze systematische fouten:

• Mensen met een lang oog worden onterecht als "ziek" bestempeld.
• Mensen met een kort oog krijgen een vals veilig gevoel.

Conclusie in één zin:
Net zoals je niet kunt zeggen of een auto snel is zonder te weten of hij bergaf of bergop rijdt, kun je niet zeggen of de bloedvaten in een oog gezond zijn zonder te weten hoe lang dat oog is. Door de lengte van het oog mee te nemen in de berekening, krijgen we eerlijke en juiste resultaten voor iedereen.

Technische samenvatting

Titel: Axiale Lengte is Belangrijk: Schalingseffecten in de Analyse van Retinale Fundusbeelden

1. Het Probleem

Retinale fundusfoto's worden steeds vaker gebruikt om kwantitatieve biomarkers voor systemische ziekten (zoals cardiovasculaire en neurovasculaire aandoeningen) af te leiden. Deze biomarkers omvatten metingen zoals vaatdiameter, vaatlengte, vertakkingspunten en vaatoppervlak.

Een fundamenteel probleem bij het analyseren van deze beelden is de optische vergroting die wordt veroorzaakt door verschillen in de axiale lengte (de lengte van oogbol) tussen individuen:

• Bij myopie (korteziendheid) is de axiale lengte groter, waardoor retinale structuren op de foto kleiner lijken (verkleining).
• Bij hyperopie (verziendheid) is de axiale lengte korter, waardoor structuren groter lijken (vergroting).

Huidige AI-algoritmen en studies behandelen fundusbeelden vaak alsof ze allemaal dezelfde schaal hebben, zonder rekening te houden met de individuele axiale lengte. Dit leidt tot systematische fouten: in langere ogen worden vaatafmetingen kunstmatig klein geschat, en in kortere ogen kunstmatig groot. Er ontbreekt echter een kwantitatief model dat precies beschrijft hoe deze fout varieert als functie van de axiale lengte voor vasculaire biomarkers.

2. Methodologie

De studie is een retrospectieve analyse van klinische data van het Optometrie Kliniek van de Polytechnische Universiteit van Hongkong.

• Populatie: 2.309 bezoekjes van patiënten jonger dan 21 jaar (leeftijd 3–21 jaar). De beperking tot deze leeftijdsgroep vermijdt confounding door leeftijdsgerelateerde retinale veranderingen en volwassen comorbiditeiten.
• Data: Kleurenfundusfoto's en metingen van de axiale lengte (gemeten met IOL Master 500 of AL-Scan).
• Segmentatie: Geautomatiseerde retinale vaatsegmentatie uitgevoerd met de software AutoMorph. Dit genereert binaire maskers en skeletten (centrallijnen) van de bloedvaten.
• Berekende Metrieken (in pixels):
  • Vaatoppervlak ($A_{px}$)
  • Totale skeletlengte ($L_{px}$)
  • Gemiddelde diameter van hoofdvaten ($D_{px}$)
  • Aantal vertakkingspunten (topologisch, onafhankelijk van schaal).
• Correctie voor Axiale Lengte:
  • De auteurs gebruikten de Bennett-Littmann-formule om de oculaire optische vergrotingsfactor ($q$) te berekenen op basis van de gemeten axiale lengte ($AL$).
  • Er werden twee scenario's vergeleken:
    1. Zonder correctie: Een uniforme referentie-axiale lengte van 24 mm werd aangenomen voor alle ogen.
    2. Met correctie: De werkelijke gemeten axiale lengte van elke patiënt werd gebruikt om de fysieke schaal (mm per pixel) te bepalen.
• Statistiek: Lineaire en kwadratische regressiemodellen werden gebruikt om de relatie te kwantificeren tussen de axiale lengte en de procentuele fouten ($\Delta D$, $\Delta L$, $\Delta A$) die ontstaan door het negeren van de correctie.

3. Belangrijkste Bijdragen

• Kwantificering van Systematische Bias: Het artikel levert het eerste kwantitatieve bewijs dat het negeren van axiale lengte leidt tot significante, voorspelbare fouten in vasculaire biomarkers.
• Wiskundige Relaties: De studie levert expliciete formules die de foutmarge koppelen aan de afwijking van de axiale lengte ten opzichte van de referentie (24 mm).
• Differentiatie van Metrieken: Het toont aan dat lineaire metrieken (diameter, lengte) lineair schalen met de axiale lengte, terwijl oppervlaktemetrieken kwadratisch schalen (gebaseerd op de meetkunde: oppervlakte $\propto$ lengte$^2$).
• Praktische Toepassing voor AI: De auteurs bieden "look-up tables" en correctiefactoren die direct in AI-pipelines kunnen worden geïmplementeerd om biomarkers te normaliseren naar fysieke eenheden (mm), ongeacht de ooglengte van de patiënt.

4. Resultaten

De analyse toonde de volgende effecten aan wanneer de axiale lengte niet werd gecorrigeerd (vergeleken met de gecorrigeerde "ground truth"):

• Lineaire Metrieken (Diameter en Lengte):
  • De fout is ongeveer 4,5% per 1 mm afwijking van de referentie-axiale lengte van 24 mm.
  • Formule: $\Delta D(\%) \approx 4,51 \times (AL_{true} - 24,0)$.
  • Voorbeeld: Bij een axiale lengte van 22 mm (korter) worden vaatafmetingen met ~9% overschat. Bij 26 mm (langer) worden ze met ~9% onderschat.
• Oppervlaktemetrieken (Vaatoppervlak):
  • De fout is ongeveer 9-10% per 1 mm afwijking, wat overeenkomt met de kwadratische schaling.
  • Bij een axiale lengte van 26 mm wordt het oppervlak met ongeveer 22-25% onderschat.
• Topologische Metrieken (Vertakkingspunten):
  • Het aantal vertakkingspunten toonde geen correlatie met de axiale lengte ($R^2 \approx 0,003$). Dit bevestigt dat topologische kenmerken niet worden beïnvloed door optische vergroting.
• Camera-afhankelijkheid: De relatie tussen axiale lengte en fysieke pixelgrootte bleek lineair en consistent over drie verschillende camera-modellen met verschillende resoluties.

5. Betekenis en Conclusie

De studie concludeert dat het negeren van axiale lengte leidt tot systematische bias in retinale vasculaire metingen. Dit heeft ernstige gevolgen voor:

1. AI-ontwikkeling: Modellen die fundusbeelden gebruiken om systemische ziekten (zoals hart- en vaatziekten of Alzheimer) te voorspellen, kunnen verkeerd worden gekalibreerd. Bijvoorbeeld, myopische ogen (langere axiale lengte) lijken kunstmatig "smallere" vaten te hebben, wat ten onrechte kan worden geïnterpreteerd als een verhoogd risico op hart- en vaatziekten.
2. Klinische Interpretatie: Zonder correctie kunnen waargenomen "myopie-gerelateerde veranderingen" in werkelijkheid slechts artefacten van beeldschaling zijn.

Aanbeveling: De auteurs pleiten ervoor dat de Bennett-Littmann-correctie met de werkelijke axiale lengte standaard wordt toegepast in alle kwantitatieve fundusbeeldanalyses en AI-biomarkerontwikkeling. Wanneer axiale lengte-data niet beschikbaar is, moeten stratificatie of sensitiviteitsanalyses worden uitgevoerd om de mogelijke bias te kwantificeren.