📄 medicine

UWF-FM: A Foundation Model for Comprehensive Ultra-Widefield Retinal Assessment

UWF-FM is een nieuw zelfgesuperviseerd foundation model dat is voorgetraind op meer dan 630.000 ongelabelde ultra-widefield retinaalbeelden en dat bestaande niet-UWF modellen op diverse klinische taken en apparaten overtreft, waarbij het robuuste generaliseerbaarheid en succesvolle real-world implementatie demonstreert om de diagnostische sensitiviteit van clinici te verhogen zonder de workflow te verstoren.

Oorspronkelijke auteurs: Yalin Zheng, Jianyang Xie, Xiuju Chen, Bingjie YAN, Mostafa Daho, Yanda Meng, Sarah Coupland, Heinrich Heimann, Rumana Hussain, Mohammed Lazouni, Mohammed Brixi-Nigassa, Quanyong Yi, Yitian Zhao, Danl

Gepubliceerd 2026-08-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Yalin Zheng, Jianyang Xie, Xiuju Chen, Bingjie YAN, Mostafa Daho, Yanda Meng, Sarah Coupland, Heinrich Heimann, Rumana Hussain, Mohammed Lazouni, Mohammed Brixi-Nigassa, Quanyong Yi, Yitian Zhao, Danli Shi, Xiaoxin Li

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je oog als een camera is, maar in plaats van alleen een foto te maken van het midden van een scène, kan het het hele landschap zien, van de horizon tot de randen. Decennialang hebben artsen een speciaal soort oogscan genaamd "fundusfotografie" gebruikt om ziekten te controleren, maar dat was als het maken van een selfie: het toonde alleen het midden van het netvlies, waardoor de belangrijke zaken die zich aan de randen afspeelden, werden gemist. Toen kwam "Ultra-Widefield" (UWF) beeldvorming, wat het is alsof je een panoramische lens upgrade die de hele achtertuin van het oog in één shot vastlegt. Dit is een gamechanger omdat veel oogproblemen, zoals scheuren of tumoren, vaak verborgen zitten in die verre hoeken. Het is echter lastig om een computer te leren om deze gigantische, complexe panoramische foto's te begrijpen. Het is alsof je een hond probeert te leren om een heel bos te herkennen in plaats van slechts één enkele boom; de computer raakt in de war door al die nieuwe details. Hier komen "Foundation Models" (fundamentele modellen) in beeld. Denk aan deze als superintelligente AI-studenten die miljoenen boeken (afbeeldingen) lezen voordat ze ooit een toets maken. Meestal hebben deze studenten alleen boeken gelezen over het "midden van het bos", dus wanneer ze een panoramische foto krijgen voorgeschoteld, worstelen ze ermee. De grote vraag die wetenschappers zich hebben gesteld is: Kunnen we een superintelligente AI specifiek trainen op deze gigantische panoramische oogfoto's, zodat het een echte expert wordt in het opsporen van problemen overal in het oog?

Maak kennis met UWF-FM, een nieuw soort AI-foundation model dat specifelijk is ontworpen om deze ultra-widefield retinale beelden onder de knie te krijgen. De onderzoekers, onder leiding van een team van de Universiteit van Liverpool en partners over de hele wereld, besloten te stoppen met het proberen te dwingen van oude AI-modellen om met deze nieuwe, brede foto's te werken. In plaats daarvan bouwden ze vanaf nul een compleet nieuwe student. Ze voerden deze AI een enorme bibliotheek van 632.627 ongelabelde panoramische oogbeelden. De AI keek niet alleen naar deze beelden; de AI bestudeerde ze met behulp van een techniek genaamd "self-supervised learning", wat lijkt op een student die een puzzel probeert op te lossen door naar de stukjes te kijken en te raden hoe ze in elkaar passen, zonder dat een leraar het antwoord geeft. Door dit te doen, leerde de AI de diepe, verborgen patronen van het gehele netvlies, van het centrum tot de uiterste randen.

Zodra deze AI "getraind" was, zetten de onderzoekers hem op de proef om te zien of hij daadwerkelijk slimmer was dan de oude modellen. Ze vroegen hem niet alleen om één ding te vinden; ze gaven hem een hele functiebeschrijving. Ze testten hem op 27.641 gelabelde beeld-taakparen om te zien of hij kon:

Ziekten diagnosticeren: 12 verschillende oogcondities opsporen, inclusief tumoren.
Ernst beoordelen: Controleren hoe ernstig diabetische retinopathie was op een schaal van 1 tot 5.
Specifieke aanwijzingen vinden: 28 verschillende soorten retinale bevindingen identificeren, zoals kleine bloedingen of scheuren, of ze nu in het centrum of in de verre hoeken zaten.

De resultaten waren indrukwekkend. Het nieuwe UWF-FM-model presteerde consequent beter dan de oudere AI-modellen die getraind waren op standaard, niet-breedveld foto's. Het was alsof je een lokale gids inzet die het hele bos kent, tegenover een toerist die alleen het hoofdpad kent. Het nieuwe model behaalde hoge scores (AUC's rond de 0,90 voor tumordetectie en 0,94 voor algemene diagnose van ziekten), wat bewees dat het het hele plaatje begreep, en niet alleen het midden.

Maar de onderzoekers stopten daar niet. Ze wilden weten of deze AI een "één-truc-paard" was die alleen werkte op de specifieke camera's waar hij van leerde. Ze testten het op beelden van verschillende ziekenhuizen en zelfs verschillende merken camera's (een overstap van Optos-camera's naar Zeiss-camera's). Zelfs zonder extra training of "tuning" voor deze nieuwe camera's, presteerde de AI nog steeds beter dan de oude modellen. Dit suggere de dat de AI de taal van het netvlies zelf heeft geleerd, in plaats van alleen het uiterlijk van een specifieke camera te memoriseren.

Om te zien of deze AI daadwerkelijk artsen kon helpen, voerden ze een speciale studie uit met vier oogartsen. Ze toonden hen 600 panoramische oogbeelden tweemaal: één keer alleen, en één keer met hulp van de AI. De AI nam de beslissingen niet; hij fluisterde slechts zijn "vermoedens" naar de artsen. Wanneer de artsen de hulp van de AI gebruikten, werden ze beter in het opsporen van ziekten (hogere sensitiviteit) zonder veel meer fouten te maken (slechts een minimale daling in specificiteit). Het was alsof ze een superwaakzame assistent hadden die de artsen wees op dingen die ze misschien gemist hadden, vooral de lastige zaken in de hoeken. De artsen, met name de minder ervaren artsen, werden met deze hulp beter in hun werk.

Ten slotte testte het team of deze AI daadwerkelijk in een echt ziekenhuis kon werken zonder chaos te veroorzaken. Ze voerden een "stille implementatie" uit bij het Xiamen Eye Center. Gedurende 37.665 opeenvolgende oogonderzoeken over twee maanden, draaide de AI op de achtergrond en analyseerde elk beeld. Het onderbrak de artsen niet, veranderde de workflow niet en toonde zijn resultaten tijdens de test ook niet aan iemand. Het verwerkte elk beeld met een succespercentage van 100%, waarbij het slechts ongeveer 1,1 seconde per onderzoek in beslag nam. Het bewees dat deze krachtige AI geïntegreerd kon worden in een druk ziekenhuis zonder de boel te verstoren.

Kortom, dit artikel suggereert dat door een AI specifiek te trainen op de uitgestrekte, groothoekige uitzichten van het netvlies, we een robuust hulpmiddel kunnen creëren dat het hele oog begrijpt, werkt over verschillende ziekenhuizen en camera's heen, artsen helpt meer ziekten te ontdekken en naadloos past in echte medische workflows. Het is een stap naar een toekomst waarin AI fungeert als een betrouwbare, panoramische partner voor oogartsen, zodat geen enkel deel van het netvlies in het donker blijft.

Technische Samenvatting: UWF-FM: Een Foundation Model voor Complexe Ultra-Widefield Retinale Beoordeling

Probleemstelling
Ultra-widefield (UWF) retinaal beeldvorming biedt een uitgebreide visualisatie van zowel de posterieure pool als de perifere retina, waarmee de beperkingen van conventionele fundusfotografie worden aangepakt die vaak perifere afwijkingen missen die cruciaal zijn voor aandoeningen zoals diabetische retinopathie, retinale scheuren en tumoren. De heterogeniteit van UWF-data over ziekten, klinische taken en beeldvormingsapparaten heen heeft echter de toepasbaarheid van bestaande retinaal foundation models beperkt. De meeste huidige modellen zijn voorgetraind op conventionele, op de posterieure pool georiënteerde fundusbeelden, wat onzekerheid creëert over de vraag of hun geleerde representaties effectief overdraagbaar zijn naar de bredere anatomische dekking en het wijder spectrum aan pathologie dat bij UWF-beeldvorming wordt aangetroffen. Bovormendien richten bestaande UWF AI-studies zich doorgaans op enkelvoudige klinische doelstellingen (bijv. specifieke ziekte detectie), en missen ze een verenigd framework dat in staat is om de multi-level beoordelingen te ondersteunen die vereist zijn in de dagelijkse praktijk, inclus\nief ziekheidsdiagnose, ernst-gradatie en fijnmazige karakterisering van bevindingen.

Methodologie
De auteurs hebben UWF-FM ontwikkeld, een foundation model dat specifiek is ontworpen voor UWF retinaal beeldvorming.

Pretraining: Het model maakt gebruik van een Vision Transformer (ViT-L) backbone gebaseerd op het DINOv3-framework. Het werd voorgetraind middels self-supervised learning op 632.627 ongelabelde UWF retinaire beelden verkregen uit de routine klinische praktijk van het Xiamen Eye Center. De input werd aangepast om twee-kanaals retinaire beelden (choroidale en vasculaire contrast) te accepteren in plaats van standaard RGB.
Downstream Evaluatie Framework: Het model werd geëvalueerd binnen een klinisch gestructureerd framework dat drie complementaire niveaus van beoordeling beslaat:
1. Ziekheidsdiagnose: Classificatie van 12 retinaire ziekten en tumoren.
2. Diabetische Retinopathie (DR) Beoordeling: Vijf-schaal ernst-gradatie en beeldkwaliteit/adequaatheid evaluatie.
3. Retinale Bevinding Karakterisering: Detectie van 28 specifieke retinaire bevindingen, die zowel posterieure als perifere pathologieën dekken.
Adaptatiestrategieën: Prestaties werden beoordeeld onder twee regimes: volledige fine-tuning (FT) en frozen-feature (Probe) evaluatie om de transferabiliteit van representaties te bepalen.
Generalisatie Testen: Het model werd getest op 27.641 gelabelde beeld-taak paren (intern) en 10.686 externe beelden van onafhankelijke instellingen (Algerije, VK, China) en verschillende imaging vendors (Optos en Zeiss CLARUS 500). Cruciaal was dat cross-vendor evaluatie werd uitgevoerd zonder aanvullende hertraining of site-specifieke adaptatie.
Klinische Bruikbaarheid Studies:
- Multi-Reader Studie: Een prospectief geregistreerde gerandomiseerde crossover studie (NCT07651943) waarbij vier oogartsen 600 beelden evalueerden om AI-ondersteunde interpretatie te beoordelen.
- Silent Deployment: Een retrospectieve (45 dagen) en prospectieve (25 dagen) silent deployment op een ziekenhuisserver die 37.665 opeenvolgende onderzoeken verwerkte om de operationele haalbaarheid te evalueren zonder de klinische workflows te beïnvloeden.

Belangrijkste Resultaten

Superieure Representatie Transfer: UWF-FM presteerde consequent beter dan foundation models die zijn voorgetraind op niet-UWF data (inclusief MAE-In1K, RETFound en DINOV3). Onder volledige fine-tuning bereikte het AUC's van 0,901 voor tumorclassificatie, 0,947 voor multi-ziekte diagnose en 0,878 voor retinaire bevinding karakterisering op interne cohorten.
Robuustheid in Frozen-Feature Settings: Het prestatieverschil werd groter onder frozen-feature evaluatie, waarbij UWF-FM tot 15% hogere AUC's vertoonde dan de baselines. Dit geeft aan dat de voordelen voortkomen uit overdraagbare retinaire representaties in plaats van taakspecifieke optimalisatie.
Cross-Vendor en Cross-Cohort Generalisatie: Zonder enige site-specifieke adaptatie behield UWF-FM zijn prestatievoordeel op externe Optos cohorten en bij directe toepassing op Zeiss CLARUS 500 beelden. Zo behaalde het zero-adaptatie model op Zeiss beelden voor retinaire bevinding karakterisering een AUC van 0,801, slechts 0,042 lager dan een model dat direct op Zeiss data is getraind.
Klinisch Relevante Operating Points: Onder klinisch beperkte drempelwaarden (bijv. 80% vaste specificiteit voor screening, 90% vaste sensitiviteit voor diagnose), demonstreerde UWF-FM een hogere sensitiviteit en specificiteit vergeleken met baselines over diverse ziektecategorieën, inclusief verwijzingskritische perifere bevindingen zoals retina detachments en breuken.
Mens-AI Samenwerking: In de multi-reader studie verhoogde AI-assistentie de sensitiviteit van clinici (gemiddelde $\Delta$ = ,052) met slechts een bescheiden reductie in specificiteit (gemiddelde $\Delta$ = -,006), wat resulteerde in verbeterde gebalanceerde accuratesse en een verminderde afstand tot het ideale ROC operating punt.
Operationele Haalbaarheid: Tijdens de silent deployment bereikte UWF-FM een 100% verwerkingssuccespercentage over 37.665 onderzoeken met een mediane inferentietijd van ongeveer 1,1 seconde per onderzoek, waarbij het naadloos integreerde in de bestaande ziekenhuisinfrastructuur zonder de workflow te verstoren.

Significantie en Claims
Het artikel vestigt UWF-FM als het eerste foundation model dat specifiek is voorgetraind voor ultra-widefield retinaal beeldvorming. De auteurs beweren dat UWF-specifieke pretraining representaties oplevert die inherent meer generaliseerbaar zijn over klinische taken, patiëntenpopulaties en imaging vendors dan modellen getraind op conventionele fundus data.

De studie toont aan dat een foundation model dat is afgestemd op de uitgebreide anatomische dekking van UWF-beeldvorming, een schaalbaar framework voor end-to-end retinaal zorg kan ondersteunen. Door prestaties te valideren over meerdere beoordelingsniveaus, externe instellingen en real-world silent deployment, betoogt het werk dat UWF-FM een robuust, generaliseerbaar en klinisch inzetbaar platform biedt voor retinaal besluitvormingsondersteuning. De bevindingen suggereren dat het benutten van de bredere anatomische context van UWF-beeldvorming via self-supervised learning een cruciale stap is naar de ontwikkeling van AI-systemen die in staat zijn de complexiteit van de routinematige oogheelkundige praktijk aan te kunnen, met name voor het identificeren van perifere pathologie die vaak over het hoofd wordt gezien door standaard beeldvorming.

Meer zoals dit