UWFound, A domain-adapted foundation model for hierarchical posterior uveitis diagnosis from ultra-widefield fundus images

Technische Samenvatting: UWFound – Een domein-adaptief fundamentemodel voor hiërarchische diagnose van posterieure uveïtis

Probleemstelling
Nauwkeurige diagnose en etiologische classificatie van posterieure uveïtis blijven aanzienlijke klinische uitdagingen vanwege heterogene manifestaties, overlappende fenotypes en ernstige klassenimbalans tussen ziektesubtypen. Bestaande kunstmatige intelligentie (AI)-modellen kampen met twee primaire beperkingen:

1. Modaliteitsmismatch: De meeste fundamentele modellen voor het netvlies zijn voorgetraind op conventionele kleurfundusfotografie (CFP), die aanzienlijk verschilt van ultra-widefield (UWF) scanning laser ophthalmoscopy wat betreft beeldvormingsmechanismen, gezichtsveld, kleurkenmerken en het uiterlijk van perifere laesies.
2. Gebrek aan hiërarchisch redeneren: Huidige modellen maken vaak gebruik van vlakke classificatie, waarbij ze niet de klinische diagnostische workflow reflecteren waarbij oogartsen eerst ontstekingen detecteren, vervolgens onderscheid maken tussen infectieuze en niet-infectieuze oorzaken, en tot slot specifieke etiologieën identificeren.
   Bovendien is geautomatiseerde UWF-gebaseerde diagnose van posterieure uveïtis onderbelicht, en hebben modellen moeite met zeldzame subtypen door datascarciteit.

Methodologie
De auteurs ontwikkelden UWFound, een op UWF aangepast fundamentemodel geïntegreerd in een hiërarchisch diagnostisch kader. De aanpak bestaat uit drie hoofdcomponenten:

1. Domein-adaptieve zelfgesuperviseerde fijne afstemming (Fine-Tuning):

   • Basismodel: De auteurs vertrokken vanuit RETFound-DINOv2, een generiek fundamenteel model voor het netvlies.
   • Domeinadaptatie: Zij voerden zelfgesuperviseerde fijne afstemming uit met behulp van 21.234 ongelabelde UWF-beelden verzameld uit routinematige klinische onderzoeken en publieke datasets.
   • Preprocessing: Omdat UWF-beeldvorming primair gebruikmaakt van rode en groene laserkanalen, werden alleen deze informatieve kanalen behouden. Beelden werden geresized naar 784 × 784 pixels om de morfologie van perifere retina- en choroidale laesies te behouden. Deze stap had als doel de modaliteitskloof tussen CFP en UWF te overbruggen.

2. Hiërarchisch Diagnostisch Kader:
   Het model bootst klinisch redeneren na via een drie-niveau hiërarchie:

   • Niveau 1 (Screening): Maakt onderscheid tussen normale ogen en posterieure uveïtis.
   • Niveau 2 (Differentiatie): Classificeert uveïtis als infectieus versus niet-infectieus.
   • Niveau 3 (Subtypering): Voorspelt specifieke etiologische subtypen (bijv. ziekte van Behçet, tuberculose-gerelateerde uveïtis, acute retinale nekrose, diverse vormen van endophthalmitis).
   • Architectuur: UWFound dient als de beeldencoder. Een class-conditioned attention module transformeert voorspellingen van elk niveau naar klasse-embeddings, waardoor opeenvolgende verfijningsstadia worden geconditioneerd om relevante kenmerken te benadrukken terwijl de globale context behouden blijft. Om klassenimbalans en heterogeniteit aan te pakken, maakt elk niveau gebruik van een prototype-gebaseerde metriek classifier met leerbare klasse-prototypes en momentum-geüpdatete prototype-geheugens.

3. Trainings- en Evaluatiestrategie:

   • Data: De interne gelabelde dataset omvatte 617 UWF-beelden van 373 individuen (265 patiënten met posterieure uveïtis, 108 gezonde controles). Data werd gesplitst op patiëntniveau om informatielekkage te voorkomen.
   • Baselines: Prestaties werden vergeleken met conventionele modellen (ResNet50, ViT) en generieke fundamentele modellen (VisionFM, RETFound, RETFound-DINOv2).
   • Categorieën: Evaluatie werd gestratificeerd op basis van beschikbaarheid van data: High-support (normale ogen), Medium-support (veelvoorkomende subtypen zoals de ziekte van Behçet, TB-uveïtis, sarcoïdose, ARN), en Few-support (zeldzame subtypen zoals fungale/bacteriële endophthalmitis).
   • Externe Validatie: Het model werd getest op drie onafhankelijke datasets (WEI-UWF, ZPPH-UWF en een klinische referentiedataset) om de generaliseerbaarheid te beoordelen.

Belangrijkste Resultaten

• Screening Prestaties: In de interne testset bereikte het door UWFound gebaseerde hiërarchische model een bijna perfecte screening van uveïtis met een AUROC van 0,9999 en een AUPRC van 0,9998.
• Infectieus versus Niet-infectieus: Het model vertoonde sterke discriminatie voor het tweede diagnostische niveau, met een gemiddelde AUROC van 0,9496 (Niet-infectieus: 0,9391; Infectieus: 0,9098).
• Zeldzame Subtypen (Few-Shot): In categorieën met medium-support behaalde UWFound de hoogste AUROC (0,8577) en AUPRC (0,4681) van alle vergeleken modellen. In categorieën met few-support bleef de algehele sensitiviteit laag (een veelvoorkomende uitdaging bij zeldzame ziekten), maar het hiërarchische model behaalde de hoogste AUPRC (0,3439), wat wijst op een verbeterde precisie-recall trade-off onder ernstige klassenimbalans.
• Externe Validatie: Het model behield het onderscheidend vermogen voor de eerste screeningsstap over externe datasets (AUROC-bereik: 0,7638–0,9767). De prestaties varieerden echter aanzienlijk op basis van operationele drempelwaarden, wat wijst op substantiële externe domeinverschuivingen.
• Interpreteerbaarheid: Norm-Layer class activation maps toonden een progressieve verschuiving in aandacht: een brede retina-aandacht op het screeningsniveau die overgaat in gelokaliseerde laesie-geassocieerde activatie (bijv. vasculaire inflammatie, perifere necrotische regio's) op fijnere diagnostische niveaus.

Betekenis en Claims
Het artikel stelt dat UWFound een robuuste en generaliseerbare tool vestigt voor geautomatiseerde screening van posterieure uveïtis en complexe etiologische identificatie. De primaire bijdragen zijn:

1. Modaliteitsadaptatie: Het aantonen dat domein-adaptieve zelfgesuperviseerde fijne afstemming op grootschalige ongelabelde UWF-data de representatieleer aanzienlijk verbetert ten opzichte van generieke fundamentele modellen voor het netvlies, met name in medium- en few-shot scenario's.
2. Klinische Afstemming: Het valideren dat een hiërarchisch kader dat de klinische redenering reflecteert (Screening → Infectieus/Niet-infectieus → Etiologie) sterke prestaties levert voor de eerste twee cruciale diagnostische stappen, die essentieel zijn voor behandelbeslissingen (bijv. het vermijden van corticosteroïden in infectieuze gevallen).
3. Realistische Bruikbaarheid: De auteurs claimen bescheiden dat hoewel het model ondersteunende fijnmazige etiologische informatie biedt, classificatie van zeldzame subtypen uitdagend blijft. Daarom moet UWFound het beste worden geïnterpreteerd als een interpreteerbaar triage- en beslissingsondersteunend systeem in plaats van een zelfstandig diagnostisch instrument. Het is ontworpen om ogen te identificeren die waarschijnlijk posterieure uveïtis hebben, infectieuze paden te prioriteren en potentiële etiologieën voor gerichte klinische onderzoek voor te stellen.

De studie concludeert dat toekomstig werk zich moet richten op prospectieve multicenter validatie, multimodale integratie met klinische en laboratoriumgegevens, en kalibratiestrategieën om veilige inzet in de echte wereld te waarborgen.