Interpretable Fundus Image Classification via Ring-Based Retinal Vasculature Features

Elke dag vertrouwen miljoenen mensen op fundusfotografie van het netvlies, een gespecialiseerde cameratechniek die de achterkant van het oog vastlegt om te screenen op oogziekten die het gezichtsvermogen bedreigen. Deze eenvoudige afbeelding bevat een schat aan informatie over de gezondheid van het lichaam, met name met betrekking tot aandoeningen zoals diabetische retinopathie en glaucoom, die wereldwijd belangrijke oorzaken van blindheid zijn. Decennialang hebben artsen deze foto's met het blote oog onderzocht, waarbij ze zoeken naar subtiele veranderingen in het delicate netwerk van bloedvaten dat het netvlies van bloed voorziet. Ze controleren op vaten die te breed zijn geworden, te verdraaid zijn of van kleur zijn veranderd, waarbij ze deze visuele aanwijzingen gebruiken om ziekte te diagnosticeren. De menselijke beoordeling kan echter van arts tot arts verschillen, en de enorme hoeveelheid afbeeldingen maakt consistente, snelle screening moeilijk. In de afgelopen jaren zijn krachtige computerprogramma's, bekend als deep learning-modellen, getraind om deze afbeeldingen automatisch te lezen, waarbij ze vaak de menselijke nauwkeurigheid evenaren of overtreffen. Toch werken deze programma's als 'black boxes'; ze stellen een diagnose op basis van complexe, verborgen patronen die voor een mens onmogelijk te zien of te begrijpen zijn, waardoor artsen er niet zeker van zijn waarom de computer tot zijn conclusie kwam.

Een nieuwe studie van onderzoekers van de Universiteit van Toronto, Duke Kunshan University en York University biedt een ander pad voorwaarts. In plaats van te vertrouwen op verborgen patronen, hebben zij een methode ontwikkeld die de oogafbeelding opdeelt in een reeks concentrische ringen, vergelijkbaar met de jaarringen van een boom, gecentreerd rond de oogzenuw (de optic disc) waar de belangrijkste bloedvaten het oog binnenkomen. Door specifieke, begrijpelijke kenmerken van de bloedvaten binnen elke ring te meten — zoals hun dikte, hoe ze vertakken, hun kleur en hoe ze contrasteren met het omliggende weefsel — creëerde het team een heldere, transparante kaart van de vasculaire gezondheid van het oog. Deze aanpak vertelt een arts niet alleen of een patiënt een ziekte heeft; het legt precies uit welke delen van het bloedvatnetwerk en welke specifieke fysieke eigenschappen tot die conclusie hebben geleid. De onderzoekers ontdekten dat deze methode, die gebaseerd is op directe metingen in plaats van verborgen algoritmen, oogziekten met hoge nauwkeurigheid kan classificeren, waarbij het de prestaties van de meest geavanceerde, complexe computermodellen evenaart terwijl het volledig begrijpelijk blijft voor een menselijke waarnemer.

De kern van dit werk ligt in de manier waarop de onderzoekers de informatie hebben georganiseerd. Ze verdeelden de fundusafbeelding in circulaire zones die naar buiten stralen vanaf de oogzenuw. In elke zone berekenden ze vier verschillende soorten informatie. Ten eerste maten ze de geometrie van de vaten, waarbij ze telden hoeveel vertakkingen er verschenen en hoeveel van het oppervlak door bloedvaten werd bedekt. Ten tweede analyseerden ze de kleur van de vaten, waarbij ze keken naar de balans tussen rood en groen licht, wat kan aangeven hoeveel zuurstof het bloed transporteert. Ten derde onderzochten ze de textuur van het gebied direct rond de vaten, waarbij ze zochten naar subtiele veranderingen in de achtergrond die op ziekte kunnen wijzen. Ten slotte combineerden ze deze metingen in een enkele, compacte set getallen voor elke afbeelding. Dit proces transformeert een complexe, kleurrijke foto in een gestructureerde lijst met feiten die een eenvoudig computerprogramma kan lezen. Het resultaat is een systeem dat niet alleen nauwkeurig is, maar ook interpreteerbaar, waardoor een arts precies kan zien welke ring of welk kenmerk het meest heeft bijgedragen aan de diagnose.

Toen de onderzoekers hun ringgebaseerde systeem testten op drie verschillende publieke collecties oogafbeeldingen, waren de resultaten opmerkelijk. Op één dataset met hoogwaardige afbeeldingen met door experts getekende vaatkaarten, bereikte de methode een perfecte nauwkeurigheid. Op een andere dataset met meer uitdagende, kwalitatief minder goede afbeeldingen presteerde het nog steeds uitzonderlijk goed en evenaarde het de nauwkeurigheid van RETFound, een state-of-the-art kunstmatige intelligentie-model dat is getraind op meer dan 1,6 miljoen retinale afbeeldingen. Deze vergelijking is significant omdat het suggereert dat de eenvoudige, transparante methode van de onderzoekers kan concurreren met massieve, complexe deep learning-modellen zonder dat daar enorme hoeveelheden data of rekenkracht voor nodig zijn. Sterker nog, de studie onthulde dat deze krachtige deep learning-modellen soms gebruikmaken van sluiproutes. Wanneer de onderzoekers de achtergrond van de afbeeldingen wijzigden of de grootte van het zichtbare gezichtsveld veranderden, daalde de prestatie van de deep learning-modellen aanzienlijk. Dit suggereert dat deze geavanceerde modellen soms aanwijzingen oppikten die gerelateerd zijn aan hoe de foto is genomen — zoals de camera-instellingen of de specifieke kadrering — in plaats van alleen de biologische tekenen van ziekte. De ringgebaseerde methode bleef daarentegen stabiel omdat deze zich strikt richt op de fysieke eigenschappen van de bloedvaten zelf.

De studie onderzocht ook hoe de kwaliteit van de initiële vaatkaarten de uiteindelijke diagnose beïnvloedde. In gevallen waarin de computer de locatie van de bloedvaten automatisch moest raden, was de nauwkeurigheid iets lager dan wanneer experts de kaarten hadden geleverd, maar was deze nog steeds zeer sterk. Dit geeft aan dat hoewel precieze detectie van de vaten belangrijk is, de methode robuust genoeg is om om te gaan met realistische variaties in beeldkwaliteit. Bovendien ontdekten de onderzoekers dat verschillende soorten kenmerken op verschillende manieren belangrijk waren. Zo leverden metingen gerelateerd aan de kleur en zuurstofvoorziening van het bloed unieke informatie die de geometrie alleen niet kon vangen. Wanneer zij de kleurgebaseerde kenmerken uit hun model verwijderden, daalde de nauwkeurigheid merkbaar, wat bewees dat de combinatie van vorm, kleur en textuur essentieel is voor een compleet beeld.

Misschien wel het belangrijkste is dat de onderzoekers hebben aangetoond dat hun methode begrepen kan worden. Ze creëerden visuele heatmaps die precies lieten zien welke ringen van het oog de diagnose ondersteunden. Voor een gezond oog wees het systeem naar specifieke ringen waar de vaatpatronen overeenkwamen met een gezonde norm. Voor een ziek oog werden de ringen gemarkeerd waar de vaten te dun, te verdraaid of van de verkeerde kleur waren. Dit niveau van transparantie is iets waar deep learning-modellen moeite mee hebben. Een deep learning-model kan zeggen: "dit is glaucoom", maar kan vaak niet uitleggen waarom. De ringgebaseerde methode kan echter zeggen: "dit is glaucoom omdat de vaten in de ring dichtst bij de oogzenuw aanzienlijk dunner zijn dan normaal." Het vermogen om een diagnose direct te koppelen aan een meetbare fysieke verandering maakt dit hulpmiddel waardevol, niet alleen voor screening, maar ook voor het begrijpen van de progressie van de ziekte.

De onderzoekers merkten zorgvuldig de beperkingen van hun werk op. De methode is afhankelijk van het vermogen om de bloedvaten in de eerste plaats nauwkeurig te identificeren; als de afbeelding te wazig is of de vaten te vaag zijn, kunnen de metingen minder betrouwbaar zijn. Ze erkenden ook dat hun kleurmetingen relatief zijn en niet gekalibreerd zijn volgens absolute fysiologische standaarden, wat betekent dat ze het best gebruikt kunnen worden voor het vergelijken van afbeeldingen in plaats van het meten van exacte zuurstofniveaus. Ondanks deze beperkingen suggereert de studie een veelbelovende richting voor de toekomst van medische beeldvorming. Door terug te keren naar de fundamentele, observeerbare eigenschappen van het oog en deze op een manier te organiseren die de menselijke anatomische kennis weerspiegelt, hebben de onderzoekers een instrument gecreëerd dat zowel krachtig als transparant is. Het biedt een manier om de snelheid van computers te benutten zonder het vermogen te verliezen om de diagnose te vertrouwen en te begrijpen, waarmee de kloof tussen complexe data en klinisch inzicht wordt overbrugd. In een tijdperk waarin kunstmatige intelligentie steeds geavanceerder wordt, herinnert dit werk ons eraan dat soms het meest effectieve instrument een instrument is dat dezelfde taal spreekt als de arts die het gebruikt.