Artificiële intelligentie (AI) zal naar verwachting een ingrijpende invloed hebben op de geneeskunde, door het verbeteren van ons vermogen om ziekten te diagnosticeren en de beste behandelingen voor individuele patiënten te selecteren.
In een proof-of-concept-studie, gepubliceerd in Investigative Ophthalmology & Visual Sciences, hebben we aangetoond hoe deze technologie een revolutie teweeg kan brengen in de manier waarop oogartsen diabetisch macula-oedeem (DME) diagnosticeren, een complicatie van diabetes die tot een verdikking van het netvlies leidt en kan leiden tot onomkeerbare blindheid als deze niet tijdig wordt behandeld.
Veel mensen verliezen hun gezichtsvermogen in de bloei van hun leven wegens DME, waardoor het voor hen moeilijker wordt om te werken en voor zichzelf te zorgen. De stijgende prevalentie van diabetes hangt direct samen met nieuwe gevallen van DME. In 2045 zal het aantal mensen met diabetes naar verwachting wereldwijd 629 miljoen bereiken, en ongeveer 10 procent van hen zal een oogaandoening hebben die het gezichtsvermogen bedreigt.
De beste manier om DME te voorkomen is regelmatig oogonderzoek, maar naar schatting 60 procent van de mensen met diabetes krijgt dit niet. De onderzoeken maken gebruik van een techniek die fundusfotografie in kleur (colour fundus photography, CFP) wordt genoemd, waarbij een tweedimensionaal beeld van het netvlies wordt gemaakt.
Hoewel CFP waardevolle informatie oplevert, is de gouden standaard voor het diagnosticeren van DME en het bepalen van de noodzaak voor behandeling optische coherentie tomografie (OCT), waarbij een driedimensionale meting van de macula wordt gemaakt, het middelste deel van het netvlies dat in dikte toeneemt bij progressie van DME. OCT is vanwege de kosten en de technische beperkingen echter niet vaak beschikbaar in screeningsprogramma's. Een dikte van 250 micron wordt beschouwd als de drempel voor de aandoening, terwijl 400 micron het punt is waarop veel oogartsen adviseren om met de behandeling te beginnen.
Ons team besloot te onderzoeken of we deep learning zouden kunnen gebruiken om computers te leren hoe we de maculadikte op CFP-beelden kunnen inschatten, waardoor een DME-diagnose gemakkelijker wordt voor patiënten en oogartsen. Op dit moment worden CFP-beelden geïnterpreteerd door specialisten die door jarenlange ervaring het vermogen ontwikkelen om de dikte van het netvlies te meten aan de hand van de kenmerken die ze op het oppervlak zien. Nog steeds moeten zij vertrouwen op OCT voor bevestiging en meting. Ons team wilde vergelijkbare mogelijkheden genereren in een geautomatiseerd systeem.
Bij deep learning traint een computer zichzelf om patronen en relaties in een set van trainingsgegevens te herkennen, met behulp van honderden analyselagen die verschillende relevante functies in een afbeelding oppikken, zonder begeleiding door een gebruiker. Het systeem past zijn kennis vervolgens toe op nieuwe invoergegevens van hetzelfde type. In dit geval gaven we onze computers een grote set CFP- en OCT-gegevens van deelnemers in twee grote klinische DME-studies om zichzelf verder te ontwikkelen.
In het deep learning-systeem werden in totaal 17.997 CFP-beelden van ~700 patiënten onderzocht en met bijbehorende diktemetingen op OCT vergeleken. Het beste model dat we met behulp van deze trainingsset ontwikkelden was in staat om de maculadikte groter dan de drempelwaarde van 250 micron te voorspellen met een nauwkeurigheid van 97 procent – een indrukwekkend prestatieniveau. Door deep learning kon zelfs op basis van de macula op een CFP-beeld de daadwerkelijke OCT-meting van de maculadikte betrouwbaar worden voorspeld, als het beeld van voldoende kwaliteit was.
Deze eerste bevinding overtrof onze verwachtingen en we wilden meer te weten komen over hoe dat kon. Toen we dit van dichtbij bekeken, vonden we het geweldig om te zien dat de computer zich concentreerde op dezelfde delen van de beelden als specialisten al jaren deden, zoals de contouren en de kwaliteit van bloedvaten.
Om die bevinding te testen, moeten we ons systeem nog steeds valideren door het te testen op andere datasets. Maar ervan uitgaande dat het goed werkt, kan dit hulpmiddel van enorme waarde zijn voor oogartsen bij de behandeling van patiënten met diabetes en DME. Zodra DME-patiënten met de behandeling beginnen, moeten velen van hen bijvoorbeeld om de vier weken een OCT-test ondergaan om er zeker van te zijn dat hun aandoening geen progressie vertoont. Via AI zou het mogelijk kunnen zijn dat mensen via een mobiele telefooncamera netvliesweefsel in realtime kunnen opvolgen, waardoor het voor artsen veel gemakkelijker wordt om de behoefte van hun patiënten aan verdere behandeling en hun respons daarop, bij te evalueren. We denken zelfs aan een app om te evalueren of de behandeling werkt. Een dergelijke innovatie zou niet alleen veel gemakkelijker zijn voor patiënten, maar hen ook veel actiever betrekken bij hun eigen zorg. Voor oogartsen zou de mogelijkheid om de maculadikte met CFP in te schatten het gemakkelijker maken om de meest dringende gevallen te identificeren en ze snel en adequaat te behandelen.
Een belangrijke les van dit experiment was de waarde van de grote klinische databanken uit onze studies om ons systeem op te trainen. Machine learning, bestaande uit deep learning en andere technieken die computers gebruiken om kennis te ontwikkelen voor data-analyse, is voor zijn succes afhankelijk van robuuste, kwalitatieve en representatieve gegevens om op te trainen. Dat is een troef die we overvloed bezitten, in de vorm van laboratoriummetingen, klinische studiegegevens en praktijkinformatie afkomstig uit onze klinische studies.
Het gebruik van deze gegevens ter ondersteuning van de diagnose is slechts het begin – met aanwijzingen op CFP-beelden kan AI de zorg voor DME helpen personaliseren, door te voorspellen welke mensen het snelst progressie zullen vertonen of goed op de behandeling zullen reageren. Er kunnen ook andere gegevensbronnen uit klinische studies worden gebruikt, zoals medische voorgeschiedenis, genomica en andere informatie. Uiteindelijk hopen we dat deze gegevensgestuurde aanpak een veel beter begrip van DME, diagnostische verbeteringen voor het sneller aanbieden van de benodigde behandelingen en uiteindelijk het behoud van gezichtsvermogen voor mensen met diabetes zal opleveren.
Dit is het eerste manuscript dat wordt gepubliceerd als onderdeel van het Ophthalmology Personalised Healthcare-initiatief van Roche/Genentech, dat zich richt op het combineren van belangrijke grootschalige gegevens en AI-technologie om oogaandoeningen te voorspellen en te voorkomen, en gezichtsvermogen te behouden. De studie draagt bij aan de toenemende hoeveelheid beschikbare literatuur over het gebruik van AI in de oogheelkunde. Het werpt ook licht op de manier waarop Roche/Genentech zijn uitgebreide database voor klinische studie kan gebruiken om AI-algoritmes te ontwikkelen voor het voorspellen van de aanwezigheid van ziekte, het risico op ziekteprogressie en de respons op behandeling. Deze kunnen allemaal aan oogartsen worden verstrekt om gepersonaliseerde gezondheidszorg van hogere kwaliteit aan te bieden.