Stel je een paar ogen voor die korrelig aanvoelen, branden onder de zon, of wazig worden wanneer je probeert te lezen van een scherm. Dit is het droge oog syndroom, een veelvoorkomende en vaak frustrerende aandoening waarbij het oppervlak van het oog onvoldoende vocht of het juiste type olie mist om gezond te blijven. Het is niet slechts een kleine irritatie; het kan het gezichtsvermogen beschadigen en het dagelijks leven moeilijk maken. Het diagnosticeren ervan is echter lastig. Een arts kan niet vertrouwen op één enkele test. In plaats daarvan moet hij een puzzel leggen die bestaat uit vele verschillende aanwijzingen: hoe de patiënt de pijn beschrijft, de medische geschiedenis, levensstijlgewoonten zoals de tijd die men achter een computer doorbrengt, en wat de arts ziet wanneer hij door een microscoop naar het oppervlak van het oog kijkt. Jarenlang was kunstmatige intelligentie goed in het bekijken van afbeeldingen of het lezen van cijfers, maar het had moeite om beide tegelijkertijd te doen op een manier die de zorgvuldige redenering van een menselijke arts nabootst.

Een team van onderzoekers van ziekenhuizen en onderzoeksinstituten uit heel China heeft een nieuw soort computerprogramma gebouwd dat ontworpen is om exact dit probleem op te lossen. Ze hebben een systeem gecreëerd dat fungeert als een digitale expert, in staat om de schriftelijke antwoorden van een patiënt op vragenlijsten te lezen, de medische geschiedenis te begrijpen en hoogresolutiefoto's van hun ogen te onderzoeken, en dat alles tegelijkertijd. Dit systeem, dat ze een multimodale groot taalmodel noemen, werd getraind om de complexe patronen te herkennen die wijzen op het droge oog syndroom. Door deze verschillende soorten informatie te combineren, beoogt het model de ziekte vroegtijdig op te sporen, zelfs voordat deze ernstig wordt, en de diagnose met een hoge nauwkeurigheid te bevestigen. De onderzoekers testten dit instrument op honderden patiënten en ontdekten dat het effectief het onderscheid kon maken tussen gezonde ogen en ogen die lijden aan droge ogen, waarbij het goed presteerde, zelfs wanneer het werd getest op gegevens van verschillende ziekenhuizen met verschillende apparatuur.

De studie begon met het verzamelen van een grote collectie real-world data van vier verschillende ziekenhuizen. Het team nam 874 deelnemers op in de studie, verdeeld in twee groepen. De eerste groep, bestaande uit 743 patiënten uit één ziekenhuis in Peking, werd gebruikt om de computer te leren de ziekte te herkennen. De tweede groep, met 131 patiënten uit drie andere ziekenhuizen in verschillende steden, werd apart gehouden om te testen of de computer de geleerde kennis kon toepassen op nieuwe, onbekende situaties. Elke deelnemer onderging een grondig onderzoek. Ze vulden gedetailleerde enquêtes in over hun symptomen, zoals hoe vaak hun ogen droog aanvoelden of hoe vaak hun zicht fluctueerde. Ze leverden ook hun medische geschiedenis aan, incluson informatie over hun leeftijd, andere gezondheidstoestanden en hun dagelijkse gewoonten, zoals hoeveel tijd ze naar elektronische schermen keken.

Naast deze schriftelijke antwoorden maakten de artsen gedetailleerde foto's van de ogen van de patiënten. Deze beelden toonden het oppervlak van het oog, de kleine oliekliertjes in de oogleden en de bloedvaten. In sommige gevallen gebruikten de artsen een speciale kleurstof om beschadigde gebieden op het oogoppervlak te accentueren. De onderzoekers voedden al deze informatie — de enquêteantwoorden, de medische geschiedenis en de oogbeelden — aan hun nieuwe computermodel. Het model was gebouwd op een krachtig fundament van bestaande kunstmatige intelligentie-technologie, maar was speciaal afgestemd om medische taal en beelden te begrijpen. Een essentieel onderdeel van het ontwerp was een methode om de gestructureerde cijfers uit de medische dossiers, zoals scores uit de enquêtes, te vertalen naar natuurlijke taal die de computer samen met de beelden kon verwerken. Dit stelde het model in staat om de verbanden te zien tussen een patiënt die zegt dat de ogen branden en de specifieke roodheid die zichtbaar is op een foto.

De onderzoekers vroegen het model om twee hoofdtaken uit te voeren. De eerste was vroege waarschuwing, waarbij het systeem probeerde het risico op droge ogen te voorspellen op basis van alleen de enquêteantwoorden en levensstijlfactoren van de patiënt, nog voordat er oogbeelden werden gemaakt. De tweede taak was diagnose, waarbij het model alle beschikbare informatie, inclusief de oogbeelden, gebruikte om vast te stellen of een patiënt daadwerkelijk aan de ziekte leed. Het team testte het model tegen twee verschillende sets regels die door artsen worden gebruikt: één set internationale richtlijnen en een andere set richtlijnen specifiek voor China. Deze regels definiëren precies welke combinatie van symptomen en tekenen als de ziekte wordt beschouwd.

De resultaten toonden aan dat het model zeer effectief was. Bij het proberen te voorspellen van het risico op droge ogen met alleen de enquêtegegevens, was het model 96 procent correct volgens de Chinese richtlijnen en ongeveer 82 procent correct volgens de internationale richtlijnen. Het was bijzonder goed in het detecteren van de ziekte wanneer deze aanwezig was, en miste zeer weinig gevallen. Wanneer het model de oogbeelden in aanvulling op de enquêteantwoorden kreeg om een definitieve diagnose te stellen, verbeterde de nauwkeurigheid verder. Het identificeerde de ziekte correct in meer dan 92 procent van de gevallen onder de internationale regels en meer dan 93 procent onder de Chinese regels. Het model was ook zeer goed in het correct identificeren van mensen die de ziekte niet hadden, waardoor valse alarmen werden voorkomen.

Om te begrijpen hoe het model zijn beslissingen nam, keken de onderzoekers naar welke stukken informatie het het meest vertrouwde. Ze ontdekten dat de gestructureerde gegevens uit de vragenlijsten en medische dossiers de belangrijkste factor waren. Wanneer zij deze informatie verwijderden en het model vroegen om alleen op de oogbeelden te vertrouwen, daalde de prestatie aanzienlijk. Dit suggereert dat voor het droge oog syndroom de eigen beschrijving van de symptomen door de patiënt en hun medische geschiedenis de sterkste indicatoren zijn. De beelden waren echter nog steeds waardevol. Het model gebruikte ze om vermoedens te bevestigen en om specifieke fysieke tekenen aan te wijzen, zoals geblokkeerde olieklieren of minuscule plekjes schade op het oogoppervlak. De computer leerde de aandacht te vestigen op de exacte gebieden van het oog die een menselijke arts zou onderzoeken, waarbij het de roodheid en de textuur van de ooglidklieren accentueerde.

Het team testte het model ook op de aparte groep patiënten uit de andere drie ziekenhuizen om te zien of het zou werken in andere real-world omgevingen. Deze ziekenhuizen gebruikten andere camera's en apparatuur om de oogfoto's te maken. Ondanks deze verschillen behield het model zijn hoge niveau van nauwkeurigheid. Het diagnosticeerde de ziekte succesvol in de nieuwe groep patiënten, wat bewees dat het kon aanpassen aan variaties in de manier waarop de gegevens werden verzameld. Dit suggereert dat het instrument nuttig kan zijn in een breed scala aan klinieken, en niet alleen in het ziekenhuis waar het oorspronkelijk is ontwikkeld. De onderzoekers merkten op dat het model bijzonder goed was in het identificeren van de ziekte bij ouderen, een groep waar de aandoening het meest voorkomt, hoewel ze erkenden dat de gegevens minder gevallen van zeer milde ziekte bevatten.

De studie concludeert dat deze nieuwe aanpak een veelbelovende manier biedt om de detectie en diagnose van het droge oog syndroom te verbeteren. Door de stem van de patiënt te combineren met het visuele bewijs van de arts, creëert het model een completer beeld van de gezondheid van de patiënt dan welke methode dan ook alleen zou kunnen bieden. De onderzoekers benadrukken dat, hoewel het instrument krachtig is, het is ontworpen om artsen te ondersteunen, niet om hen te vervangen. Het biedt een robuuste, schaalbare manier om de ziekte te screenen en klinische beslissingen te ondersteunen, wat potentieel kan helpen om de aandoening eerder te detecteren en de last te verminderen voor patiënten die lijden aan chronisch ongemak aan de ogen. Het werk demonstreert dat wanneer kunstmatige intelligentie wordt getraind om zowel de cijfers als de beelden te begrijpen die artsen dagelijks gebruiken, het een betrouwbare partner kan worden in de zorg voor de ooggezondheid.