Keratoconus severity detection using LSTM and machine learning techniques
Deze studie maakt gebruik van twee op Long Short-Term Memory (LSTM) gebaseerde machine learning-modellen om de ernst van keratoconus te detecteren door middel van de analyse van oogparameters uit OCT-beelden, waarbij de progressie van de ziekte effectief wordt gemonitord door zowel unilaterale als bilaterale ooggegevens in overweging te nemen.
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
Het menselijk oog vertrouwt op een helder, koepelvormig venster aan de voorzijde, de hoornvlies (cornea), om licht te focussen en scherpe beelden te creëren. Wanneer dit venster gezond is, behoudt het een gladde, regelmatige curve. Echter, een aandoening genaamd keratoconus zorgt ervoor dat het hoornvlies dunner wordt en naar buiten bolt in een kegelvorm, vergelijkbaar met een ballon die van binnenuit wordt geduwd. Deze vervorming verstrooit het licht, wat leidt tot wazig zicht, schittering en moeilijkheden bij het zien, vaak beginnend in de tienerjaren of twintiger jaren van iemands leven. Hoewel de ziekte in de vroege stadia beheersbaar kan zijn met brillen of contactlenzen, kan het voortschrijden tot een punt waarop meer invasieve behandelingen noodzakelijk zijn. De uitdaging voor artsen is dat de ziekte vaak subtiel begint, met veranderingen die zo gering zijn dat ze moeilijk te ontdekken zijn met standaardonderzoeken, terwijl het vroegtijdig oppikken ervan essentieel is voor het behoud van het gezichtsvermogen.
Om dit aan te pakken, hebben onderzoekers zich gericht op een krachtig beeldvormingsinstrument genaamd optische coherentietomografie, dat werkt als een hoogwaardige echo voor het oog, door gedetailleerde driedimensionale kaarten van het oppervlak en de dikte van het hoornvlies te maken. Door deze kaarten in de loop van de tijd te analyseren, kunnen artsen volgen hoe het hoornvlies verandert. Een nieuwe studie heeft dit een stap verder gebracht door een computer te leren de patronen van deze progressie te herkennen. De onderzoekers gebruikten een type kunstmatige intelligentie bekend als een long short-term memory network, een systeem dat is ontworpen om te leren van sequenties van gebeurtenissen, vergelijkbaar met hoe een persoon een verhaal onthoudt door de volgorde waarin gebeurtenissen plaatsvonden te herinneren. In plaats van naar een enkele momentopname van een oog te kijken, werd de computer getraind om de geschiedenis van oogscans van een patiënt te beoordelen, waarbij het leerde de ernst van de aandoening te voorspellen op basis van de tijdlijn van metingen.
De studie richtte zich op een grote collectie gegevens bestaande uit duizenden oogscans van patiënten in Japan. Deze scans bevatten honderden verschillende metingen, zoals de kromming van de voor- en achterkant van het hoornvlies en de dikte van de verschillende lagen. De onderzoekers organiseerden deze gegevens in twee verschillende benaderingen om te zien welke methode beter werkte. De eerste benadering behandelde elk oog als een apart verhaal, waarbij de computer de geschiedenis van één oog tegelijk kreeg gevoerd om de ernst ervan te voorspellen. De tweede benadering was uitgebreider; deze keek gelijktijdig naar beide ogen van dezelfde patiënt, in het besef dat hoewel de ziekte elk oog anders kan beïnvloeden, de twee ogen vaak aan elkaar gekoppeld zijn in hun progressie. De computer kreeg de opdracht de ogen in drie categorieën in te delen: gezond, een milde of vroege fase van de ziekte waarbij symptomen nauwelijks merkbaar zijn, en een meer gevorderd stadium waarbij de kegelvorm duidelijk aanwezig is.
De resultaten toonden aan dat de computer zeer vaardig werd in deze taak. Bij het bekijken van individuele ogen identificeerde het systeem gezonde ogen en gevorderde gevallen met bijna perfecte nauwkeurigheid, waarbij het de verschillen tussen hen bijna zonder fouten onderscheidde. Het was iets moeilijker voor de computer om de milde, vroege fase van de ziekte te identificeren, die vaak het meest uitdagend is voor menselijke artsen om te ontdekken, maar het gaf nog steeds in de overgrote meerderheid van de gevallen het juiste antwoord. Wanneer de onderzoekers de computer toestonden om beide ogen van een patiënt samen te bekijken, bleef de nauwkeurigheid zeer hoog, wat suggereert dat het overwegen van de relatie tussen de twee ogen waardevolle aanwijzingen biedt. Het systeem was in staat om de ernstscore van de ziekte met een hoge mate van precisie te voorspellen, waarbij het in de meeste gevallen overeenkwam met de werkelijke medische beoordelingen.
Dit werk demonstreert dat kunstmatige intelligentie effectief kan fungeren als een tweede paar ogen voor artsen, door te helpen bij het monitoren van de langzame, vaak onzichtbare veranderingen van keratoconus in de loop van de tijd. Door te leren van de sequentie van eerdere scans, kan de computer trends opmerken die bij een enkel onderzoek mogelijk over het hoofd worden gezien. De studie vond dat het kijken naar beide ogen samen verborgen patronen kan onthullen in hoe de ziekte zich door iemands lichaam beweegt, wat een completer beeld biedt dan het kijken naar één oog in isolatie. Hoewel de technologie nog niet bedoeld is als vervanging voor het oordeel van een arts, biedt het een veelbelovende tool voor het eerder opmerken van de ziekte en het betrouwbaarder volgen van de progressie ervan, wat potentieel betere behandelbeslissingen mogelijk maakt voordat het gezichtsvermogen aanzienlijk wordt beschadigd. De onderzoekers merkten op dat toekomstig werk deze methoden moet testen op gegevens van verschillende ziekenhuizen en populaties om te waarborgen dat het systeem voor iedereen werkt, maar de initiële bevindingen suggereren een krachtige nieuwe manier om het gezichtsvermogen te beschermen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.