Visual Foundation Models with Adapter Learning for Parkinson’s Disease Recognition based on OCT Images

De ziekte van Parkinson is een progressieve aandoening die langzaam het vermogen van het lichaam om te bewegen aantast, wat miljoenen mensen wereldwijd treft. Decennialang hebben artsen vertrouwd op het observeren van fysieke symptomen om de ziekte te diagnosticeren, maar tegen de tijd dat die tekenen verschijnen, heeft er vaak al aanzienlijke schade in de hersenen plaatsgevonden. In de afgelopen jaren hebben wetenschappers ontdekt dat de ziekte subtiele sporen achterlaat, niet alleen in de hersenen, maar ook in het netvlies, de lichtgevoelige laag aan de achterkant van het oog. Met behulp van een gespecialiseerde beeldvormingstechniek genaamd optische coherentietomografie, die gedetailleerde dwarsdoorsneden van het oog maakt, kunnen onderzoekers deze microscopische veranderingen nu zien. De uitdaging is geweest dat de beelden complex zijn, en het computers leren om het verschil te zien tussen een gezond oog en een oog dat vroege tekenen van Parkinson vertoont, vereist enorme hoeveelheden gegevens en immense rekenkracht, middelen die in medische omgevingen vaak schaars zijn.

Een team van onderzoekers van de Wenzhou Medical University in China heeft een nieuwe aanpak ontwikkeld om dit probleem op te lossen, met als doel automatische diagnose toegankelijker en efficiënter te maken. In plaats van vanaf nul een massaal computermodel te bouwen, wat enorme datasets en dure hardware zou eisen, hebben zij een krachtig, bestaand kunstmatig intelligentiesysteem aangepast dat ontworpen is voor algemene beeldherkenning. Dit systeem, bekend als een visueel fundamenteel model (visual foundation model), begrijpt al de basisbouwstenen van afbeeldingen. De innovatie van de onderzoekers ligt in de manier waarop zij dit algemene systeem verbonden met de specifieke taak van het identificeren van Parkinson. Ze dwongen het hele systeem niet om alles opnieuw te leren; in plaats daarvan voegden ze drie kleine, lichtgewicht componenten, of adapters, toe aan het model. Deze adapters fungeren als gespecialiseerde lenzen, waardoor het systeem zich kan concentreren op de specifieke details in de oogscans die belangrijk zijn voor Parkinson, zoals minuscule laesies of subtiele verschuivingen in de weefsellagen, zonder de kernkennis van het model te hoeven herschrijven.

Het team testte deze methode op een collectie van 1.440 oogbeelden verzameld bij patiënten in hun ziekenhuis. De dataset bevatte scans van 40 gezonde individuen en 40 patiënten met de diagnose Parkinson, waarbij elke persoon 18 afbeeldingen bijdroeg. Om de resultaten betrouwbaar te maken, verdeelden ze de data in groepen, waarbij ze het systeem trainden op de meeste van de afbeeldingen en testten op de rest, een proces dat ze vijf keer herhaalden om een duidelijk beeld van de prestaties te krijgen. De resultaten toonden aan dat hun aangepaste systeem Parkinson kon identificeren met een nauwkeurigheid van ongeveer 77,66 procent. Deze prestatie was concurrerend met, en in sommige gevallen beter dan, andere geavanceerde computermodellen die momenteel voor soortgelijke taken worden gebruikt. Cruciaal was dat de nieuwe methode deze resultaten behaalde terwijl slechts een fractie van de totale parameters in het model werd aangepast, wat het veel minder veeleisend maakt voor computermiddelen dan traditionele benaderingen die vereisen dat elk deel van het systeem wordt bijgewerkt.

De onderzoekers vergeleken hun methode ook met een breed scala aan bestaande deep learning-netwerken, inclus van oudere, bekende ontwerpen en nieuwere, complexere architecturen. Hun systeem presteerde beter dan veel van deze gevestigde modellen, wat aantoont dat een zorgvuldig afgestemde, lichtgewicht toevoeging aan een krachtig fundamenteel model effectiever kan zijn dan het trainen van een volledig nieuw netwerk vanaf de grond af aan. Door de hoofddelen van het vooraf getrainde model te bevriezen en alleen de kleine adapters te trainen, bewezen het team dat het mogelijk is om algemene visuele kennis over te dragen naar een zeer specifieke medische toepassing zonder dat daar een enorme hoeveelheid trainingsdata voor nodig is. Dit is bijzonder belangrijk voor medische aandoeningen zoals Parkinson, waarbij het verzamelen van duizenden gelabelde afbeeldingen moeilijk en duur is.

Om te begrijpen hoe het systeem zijn beslissingen nam, gebruikten de onderzoekers een visualisatietechniek die de gebieden in de oogscan benadrukt waar de computer zich op concentreerde. De beelden onthulden dat hun model nauwlettend aandacht besteedde aan de specifieke, subtiele laesies en structurele veranderingen die met de ziekte gepaard gaan, terwijl andere modellen soms focusten op minder relevante gebieden. Dit suggereert dat de drie adapters het systeem er succesvol toe hebben geleid om de juiste kenmerken te leren. De studie concludeert dat deze aanpak een veelbelovend pad biedt voor de toekomst van geautomatiseerde ziekte detectie, waarbij een balans wordt gevonden tussen hoge nauwkeurigheid en computationele efficiëntie. Hoewel het werk een belangrijke stap is, merken de onderzoekers op dat toekomstige studies de methode moeten testen op data van andere medische centra om te bevestigen dat het consistent werkt over verschillende populaties en beeldvormingsomstandigheden heen.