The German National Cohort: Ophthalmological Assessment, Baseline Profile and Potential for AI-based Eye Research

Deze studie karakteriseert het oogheelkundige basisprofiel van 48.460 deelnemers aan de Duitse Nationale Cohort (NAKO) en toont het grote potentieel van de dataset als een grootschalige, bevolkingsgebonden bron voor het ontwikkelen en valideren van kunstmatige-intelligentie-instrumenten in het ooggezondheidsonderzoek.

De kern

Stel je het menselijk oog niet alleen voor als een venster naar de ziel, maar als een hoogresolutiekaart die geheimen bevat over de gezondheid van je hele lichaam. Dit artikel introduceert een enorme nieuwe "kaartbibliotheek" genaamd de Oftalmologiedataset van de Duitse Nationale Cohort (NAKO).

Hier is het verhaal van wat de onderzoekers deden, eenvoudig uitgelegd:

1. Het Grote Project: Een Nationale Oogcontrole

Stel je de Duitse Nationale Cohort voor als een gigantisch, langetermijndagboek voor de gezondheid van 205.000 Duitse volwassenen. Het is als een enorme bibliotheek waar gezondheidsgegevens van mensen worden opgeslagen om wetenschappers te helpen begrijpen waarom mensen ziek worden.

Binnen deze enorme bibliotheek richtten de onderzoekers een speciale "Oogvleugel" op. Ze nodigden ongeveer 48.500 mensen (een willekeurige doorsnede van de bevolking) uit om langs te komen voor een gedetailleerd oogonderzoek. Dit was niet zomaar een vluchtige blik; het was een diepe duik die omvatte:

• Leestables om te controleren hoe goed mensen kunnen zien (visuele scherpte).
• Het maken van hoogdefinitiefoto's van de achterkant van het oog (het netvlies) zonder dat de pupillen met druppels hoeven te worden verwijderd.

2. De "Camera" en de "Kwaliteitscontrole"

De onderzoekers gebruikten een speciale camera om foto's van het netvlies te maken. Stel je voor dat je een foto maakt van een klein, ingewikkeld stadje (de bloedvaten en zenuwen in je oog) vanuit de verte.

• De Uitdaging: Soms zijn foto's wazig, donker of onstabiel. In deze studie maakten ze meer dan 200.000 foto's.
• De Oplossing: Ze keken niet alleen met menselijke ogen naar de foto's. Ze trainden vier verschillende "AI-robots" (computerprogramma's) om op te treden als kwaliteitsinspecteurs. Deze robots bekeken elke enkele foto en gaven er een cijfer voor.
• Het Resultaat: Ongeveer 68% van de foto's was zo helder dat alle vier de robots het erover eens waren dat ze "goed genoeg" waren om te bestuderen. Dit is eigenlijk een zeer hoog slagingspercentage in vergelijking met andere grote studies (zoals de UK Biobank), wat betekent dat het Duitse team een uitstekend werk heeft geleverd om heldere foto's te krijgen.

3. Wat de "Kaart" Onthulde (De Basislijn)

Zodra ze hun bibliotheek met goede foto's hadden, keken ze naar de "kaart" om te zien hoe een typische gezonde Duitse volwassene eruitzag. Ze ontdekten:

• Zicht: De meeste mensen hadden uitstekend zicht (zoals een perfecte score van 20/20).
• Veelvoorkomende Problemen: Een klein aantal mensen gaf aan last te hebben van cataract (troebele lenzen), glaucoom (zenuwschade) of maculadegeneratie (schade aan het centrum van het zicht).
• Lichaamsverbinding: Ze merkten op dat naarmate mensen ouder worden, de "wegen" (bloedvaten) in het oog iets smaller worden en het "afvoer"-gebied van het oog van vorm verandert. Deze veranderingen gebeuren anders voor mannen en vrouwen, maar gebeuren vooral als onderdeel van het ouder worden.

4. Het "AI-Kristallen Bol"-Experiment

Dit is het meest spannende deel voor de toekomst van de wetenschap. De onderzoekers stelden een gedurfde vraag: "Kan een computer naar een foto van een oog kijken en dingen raden over het lichaam van de persoon die niet in het oog geschreven staan?"

Ze leerden AI-modellen om naar de oogfoto's te kijken en drie dingen te raden:

1. Hoe oud is deze persoon? (De AI raadde binnen ongeveer 3 jaar van de werkelijke leeftijd).
2. Is deze persoon een man of een vrouw? (De AI had het in ongeveer 83% van de gevallen goed).
3. Wat is hun bloeddruk? (De AI raadde binnen ongeveer 11 punten voor de systolische druk).

De Analogie: Stel je voor dat je naar het gezicht van een persoon kijkt en hun leeftijd raadt of of ze moe zijn. De onderzoekers toonden aan dat het oog als een "biologisch dashboard" werkt. Hoewel de AI niet perfect was, bewees het dat het oog verborgen aanwijzingen bevat over de gezondheid van de rest van het lichaam.

5. Waarom Dit Belangrijk Is (Volgens Het Artikel)

Het artikel beweert niet dat dit morgen ziektes zal genezen. In plaats daarvan zegt het: "We hebben een enorme, hoogwaardige, open-source toolbox gebouwd."

• De Toolbox: Ze maken al deze foto's, de kwaliteitscores en de AI-tools beschikbaar voor andere wetenschappers.
• Het Doel: Dit stelt onderzoekers overal in staat om hun eigen "AI-kristallen bollen" te bouwen om ooggezondheid te bestuderen en hoe deze samenhangt met hartziekten, diabetes en veroudering.

Samenvattend:
De onderzoekers namen een enorme groep Duitsers, maakten duizenden hoogwaardige foto's van hun ogen en bewezen dat computers kunnen leren deze foto's te lezen om basisfeiten over de persoon te raden (zoals leeftijd en bloeddruk). Ze hebben nu de deuren van deze enorme "oogfoto-bibliotheek" voor de wereld geopend, zodat andere wetenschappers het kunnen gebruiken om betere tools te bouwen voor het begrijpen van gezondheid.

Technische samenvatting

Technische Samenvatting: Het Oogheelkundige Dataset van de Duitse Nationale Cohort

Probleem en Context
Grootschalige, bevolkingsgerelateerde cohorten zijn essentieel voor het begrijpen van de determinanten van chronische ziekten, maar uitgebreide oogheelkundige gegevens binnen dergelijke cohorten blijven beperkt. Hoewel studies zoals de UK Biobank benchmarks voor retinale beeldvorming hebben gevestigd, is er behoefte aan een vergelijkbaar diep gefenotypeerde, landelijke resource in Duitsland om ooggezondheid, systemische associaties en het potentieel van "oculomics" (het gebruik van oogbeeldvorming om systemische gezondheid te voorspellen) te onderzoeken. De Duitse Nationale Cohort (NAKO) beoogt dit aan te pakken door een gestandaardiseerde oogheelkundige module op te zetten binnen haar bredere prospectieve studie met meer dan 200.000 deelnemers. De primaire uitdaging die in dit artikel wordt aangepakt, is de beschrijving, kwaliteitsbeoordeling en initiële validatie van deze dataset als resource voor zowel epidemiologisch onderzoek als de ontwikkeling van kunstmatige intelligentie (AI).

Methodologie
De studie analyseert basisgegevens van de NAKO oogheelkundige module, een "Level 2"-onderzoek dat wordt aangeboden aan een subset van de hoofdcohort.

• Onderzoekspopulatie: De analyse omvat 48.460 volwassenen (leeftijd 19–74 jaar) uit 18 onderzoekscentra in Duitsland die visusmeting en niet-verwijde kleurfundusfotografie hebben voltooid.
• Dataverzameling:
  • Visus: Gemeten monolaar met ETDRS-kaarten op 4 meter, waarbij deelnemers hun afstandscorrectie droegen.
  • Beeldvorming: Niet-mydriatische kleurfundusfotografie werd uitgevoerd met een Revenio DRS-camera (45° x 40° gezichtsveld). Voor elk oog werden één macula-gecentreerde en één optische schijf-gecentreerde afbeelding vastgelegd.
  • Vragenlijsten: Deelnemers verstrekte zelfgerapporteerde gegevens over ooggeschiedenis (cataract, glaucoom, maculadegeneratie) en systemische gezondheid.
• Beeldverwerking en AI-analyse:
  • Kwaliteitscontrole: Vier open-source deep learning-modellen (Fundus Image Toolbox, AutoMorph, VascX en RetiRatey) werden toegepast op 203.493 afbeeldingen om beoordeelbaarheid te beoordelen. Afbeeldingen werden als "beoordeelbaar" beschouwd als ze voldeden aan de criteria van alle vier de modellen.
  • Morfologische extractie: De AutoMorph-pijplijn werd gebruikt om kwantitatieve kenmerken te extraheren, waaronder de verticale cup-disc-ratio, Central Retinal Artery Equivalent (CRAE), Arteriole-to-Venule Ratio (AVR) en vaatdichtheid.
  • Systemische voorspelling: Standaard deep learning-architecturen (ResNet18, ResNet50, Inceptionv3, Xception, EfficientNetv2-Small, ViT-Small, Swin-Tiny) werden getraind op 153.134 hoogwaardige afbeeldingen om leeftijd, geslacht en bloeddruk (systolisch en diastolisch) te voorspellen. Modellen werden geïnitieerd met ImageNet-weights en fijn afgestemd met 5-voudige kruisvalidatie.

Belangrijkste Resultaten

• Demografie en Basisprofiel: De cohort had een gemiddelde leeftijd van 48,9 ± 12,5 jaar, met 52,7% mannelijke deelnemers. De gemiddelde visus was hoog (0,01 logMAR linkeroog, 0,03 logMAR rechteroog). De zelfgerapporteerde prevalentie van oogziektes was laag: cataract (4,2%), glaucoom (2,0%) en maculadegeneratie (0,9%).
• Beeldkwaliteit: De dataset vertoonde hoge beeldkwaliteit. Een consensus van alle vier de AI-kwaliteitsmodellen classificeerde 68,2% van de 203.493 afbeeldingen als beoordeelbaar. Dit percentage was hoger dan vergelijkbare metrics in de UK Biobank (48,7%) wanneer beoordeeld met dezelfde algoritmen. De beeldkwaliteit correleerde met leeftijd, afnemend van ongeveer 80-90% bij deelnemers onder de 40 naar 40,8% in de oudste leeftijdsgroep.
• Morfologische Bevindingen: Geautomatiseerde extractie onthulde systematische leeftijdsgebonden trends: de cup-disc-ratio nam toe met de leeftijd, terwijl CRAE, AVR en vaatdichtheid afnamen. Geslachtsverschillen waren statistisch significant maar klein van omvang.
• AI-voorspellingsprestaties:
  • Leeftijd: EfficientNetv2-S behaalde de beste prestaties met een Mean Absolute Error (MAE) van 2,96 jaar ($R^2$ = 0,901).
  • Geslacht: Swin-Tiny en EfficientNetv2-S behaalden nauwkeurigheden van ongeveer 83,5% en AUC's van ongeveer 0,919.
  • Bloeddruk: EfficientNetv2-S leverde MAE's van 10,78 mmHg voor systolische en 7,01 mmHg voor diastolische druk.
  • Deze resultaten waren vergelijkbaar met of licht beter dan state-of-the-art modellen getraind op de UK Biobank en EyePACS-datasets (Poplin et al., 2018).

Betekenis en Claims
De auteurs positioneren het NAKO Oogheelkundige Dataset als een fundamentele, open resource voor de wetenschappelijke gemeenschap. Zij claimen dat de dataset significant is om drie hoofdredenen:

1. Schaal en Representativiteit: Het biedt een grootschalige, landelijke, bevolkingsgerelateerde resource in Duitsland met visus, indicatoren voor systemische gezondheid en kleurfundusafbeeldingen voor ongeveer 50.000 deelnemers.
2. AI- en Oculomics-validatie: De hoge kwaliteit van de afbeeldingen en het succesvolle trainen van deep learning-modellen tonen aan dat de dataset geschikt is voor het ontwikkelen en valideren van AI-tools voor ooggezondheid en voor het voorspellen van systemische variabelen (leeftijd, geslacht, bloeddruk) uit retinale afbeeldingen.
3. Epidemiologische Nut: De gegevens maken het mogelijk om ooggezondheid in de algemene volwassen populatie te bestuderen, inclusief de analyse van morfologische veranderingen geassocieerd met veroudering en geslacht.

Het artikel concludeert dat hoewel de huidige karakterisering van de basislijn een startpunt is, de resource is ontworpen om te groeien met vervolgonderzoeken. Toekomstige releases zullen handmatig beoordeelde beeldgegevens en afgeleide fenotypen bevatten, wat longitudinale studies mogelijk maakt over de progressie van oogziektes en het behoud van ooggezondheid. De auteurs benadrukken dat de dataset een sterke basis vormt voor toekomstig onderzoek, maar wijzen op beperkingen, waaronder het ontbreken van complementaire modaliteiten zoals OCT en de afhankelijkheid van zelfgerapporteerde ziektegegevens, wat de ware ziektebelasting kan onderschatten.