External Validation of Deep Learning OCTA Quality Control for Foveal Avascular Zone Analysis
Deze studie toont aan dat een gefinetunede DenseNet-161 deep learning-pipeline effectief de kwaliteit van OCTA-beelden kan classificeren voor foveale avasculaire zone-analyse met veelbelovende prestaties op een externe dataset, waarmee een geautomatiseerde pre-screeningtool wordt geboden die verdere validatie vereist voordat brede klinische inzet mogelijk is.
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 is een wonder van biologische techniek, maar de interne structuren zijn zo klein en delicaat dat zelfs de kleinste onscherpte kritieke details kan verbergen. Om het netvlies, het lichtgevoelige weefsel aan de achterkant van het oog, te bestuderen, gebruiken artsen vaak een technologie genaamd optical coherence tomography angiography. Deze methode creëert gedetailleerde, niet-invasieve kaarten van de minuscule bloedvaten die het oog voeden, waardoor zichtbaar wordt hoe ze stromen zonder dat er een kleurstof in de bloedbaan geïnjecteerd hoeft te worden. Deze kaarten zijn essentieel voor het begrijpen van aandoeningen zoals diabetische retinopathie, waarbij bloedvaten beschadigd raken, of maculadegeneratie, waarbij het centrale deel van het netvlies verslechtert. Deze beelden zijn echter fragiel. Het oog van een patiënt kan licht bewegen, de focus kan verschuiven of het signaal kan vervagen, wat artefacten creëert die op bloedvaten lijken maar eigenlijk gewoon fouten zijn. Als een computer probeert een specifiek gebied te meten, zoals de foveale avasculaire zone — een kleine, van nature vaatvrije cirkel in het exacte centrum van het netvlies — op een wazig of trillend beeld, zullen de resulterende metingen onjuist zijn. Decennialang was het controleren van de kwaliteit van deze beelden een traag, handmatig proces uitgevoerd door menselijke experts, die één voor één moesten beslissen of een beeld helder genoeg was om op te vertrouwen.
Een team van onderzoekers van ziekenhuizen en universiteiten in Zwitserland en Nederland heeft een nieuwe manier ontwikkeld om deze kwaliteitscontrole te automatiseren met behulp van kunstmatige intelligentie. Ze hebben een digitaal systeem ontwikkeld dat is ontworpen om als poortwachter te fungeren, door razendsnel door duizenden retinale beelden te sorteren om de heldere, bruikbare beelden te scheiden van de wazige, onbruikbare beelden. Het systeem werd gebouwd door een computerprogramma, bekend als een deep learning model, te leren het verschil te herkennen tussen goede en slechte beelden. De onderzoekers begonnen door de computer duizenden afbeeldingen van het Jules-Gonin Eye Hospital in Lausanne te voeren, waar menselijke experts elk plaatje al als hoogwaardig of laagwaardig hadden gelabeld. De computer leerde de subtiele tekenen van bewegingsonscherpte, slechte focus of signaalverlies te herkennen waar mensen naar kijken. Nadat de computer was getraind, testten de onderzoekers het op een volledig nieuwe set beelden van het Erasmus MC in Rotterdam, een ander ziekenhuis met andere apparatuur en andere patiënten. Cruciaal was dat ze de computer niets nieuws leerden over de Rotterdamse beelden; ze lieten het systeem simpelweg wat het had geleerd in Lausanne toepassen op deze nieuwe omgeving om te zien of het nog steeds het verschil kon zien.
De resultaten van deze test lieten zien dat het systeem werkt, maar met belangrijke beperkingen. Wanneer de computer naar de 22 beelden van het Rotterdamse ziekenhuis keek, identificeerde hij de kwaliteit van de beelden ongeveer 64 procent van de tijd correct. Het systeem was bijzonder goed in het opsporen van de slechte beelden, waarbij het 87,5 procent van de beelden van lage kwaliteit correct afkeurde. Dit is een waardevolle eigenschap, omdat het betekent dat het systeem onwaarschijnlijk is dat een wazig, misleidend beeld doorlaat en de uiteindelijke metingen corrumpeert. Het systeem was echter minder succesvol in het bevestigen welke beelden zeker goed waren, wat betekende dat het soms beelden weggooide die gebruikt hadden kunnen worden. De onderzoekers stelden vast dat hoewel het systeem erin slaagde om tussen goede en slechte beelden te onderscheiden zonder opnieuw getraind te hoeven worden voor het nieuwe ziekenhuis, de prestaties niet perfect waren. De studie merkt expliciet op dat dit niveau van nauwkeurigheid nog niet hoog genoeg is om te beweren dat het systeem universeel kan werken voor alle verschillende soorten camera's of ziekenhuizen zonder verdere tests.
De onderzoekers leggen zorgvuldig uit dat dit hulpmiddel geen magische oplossing is die elk probleem bij oogbeeldvorming oplost. Het systeem neemt een eenvoudige, alles-of-niets beslissing voor elk plaatje: het houdt ofwel het hele beeld, of wijst het af. Het kan niet naar een enkel beeld kijken en zeggen: "De bovenste helft is wazig, maar de onderste helft is helder," noch kan het uitleggen wat er precies misging met een afgekeurd beeld. Bovendien bewees de studie niet dat het gebruik van dit systeem de uiteindelijke medische metingen verbetert of tijd bespaart voor artsen; het bewees alleen dat het systeem de beelden kan sorteren. Het team suggereert dat voor het echt bruikbaar te zijn in een klinische setting, het getest moet worden op veel grotere groepen mensen en direct vergeleken moet worden met menselijke experts om te zien of het artsen echt helpt betere beslissingen te nemen. Voor nu dient deze geautomatiseerde kwaliteitscontrole als een veelbelovende eerste stap, die een manier biedt om de enorme hoeveelheid beelden te verwerken die in modern oogonderzoek worden gegenereerd, maar het blijft een instrument dat menselijk toezicht en verdere verfijning vereist voordat het er alleen op vertrouwd kan worden.
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.