Glaucoom is de tweede belangrijkste oorzaak van blindheid in de wereld, alleen al in de VS ongeveer 2,7 miljoen mensen treft. Het is een complex geheel van ziekten en, indien onbehandeld, kan leiden tot blindheid. Het is een bijzonder groot probleem in Australië, waar slechts 50 procent van alle mensen die het hebben, daadwerkelijk de diagnose krijgt en de behandeling krijgt die ze nodig hebben.

Als onderdeel van een team van wetenschappers van IBM en New York University, mijn collega's en ik kijken naar nieuwe manieren waarop AI kan worden gebruikt om oogartsen en optometristen te helpen oogbeelden verder te gebruiken, en mogelijk helpen om het proces voor het detecteren van glaucoom in afbeeldingen te versnellen. In een recente krant, we beschrijven een nieuw deep learning-raamwerk dat glaucoom rechtstreeks detecteert uit onbewerkte optische coherentie tomografische (OCT) beeldvorming, een methode die lichtgolven gebruikt om dwarsdoorsnedefoto's van het netvlies te maken. Deze methode behaalde een nauwkeurigheid van 94 procent, zonder enige extra segmentatie of scrubben van de gegevens, wat meestal tijdrovend is.

Momenteel, glaucoom wordt gediagnosticeerd met behulp van een verscheidenheid aan tests, zoals intraoculaire drukmetingen en gezichtsveldtesten, evenals fundus- en OCT-beeldvorming. OCT biedt een efficiënte manier om structuren in het oog te visualiseren en te kwantificeren, namelijk de retinale zenuwvezellaag (RNFL), die verandert met de progressie van de ziekte.

Hoewel deze aanpak goed werkt, het vereist een extra proces om de RNFL in OCT-afbeeldingen te kwantificeren. Deze technieken zuiveren doorgaans ook de invoergegevens op verschillende manieren, zoals alle ogen in dezelfde richting (links of rechts) draaien om de variabiliteit in de gegevens te verminderen om de prestaties van de classificaties te verbeteren. Onze aanpak verwijdert deze extra stappen, wat aangeeft dat deze potentieel tijdrovende stadia niet nodig zijn voor de detectie van glaucoom.

uiteindelijk, wanneer genormaliseerd door een fout-positief percentage, in een cohort van 624 proefpersonen (217 gezonde en 432 glaucoompatiënten), onze nieuwe aanpak, gebaseerd op diep leren, detecteert correct glaucomateuze ogen in 94 procent van de gevallen, terwijl eerder genoemde technieken dit slechts in 86 procent van de gevallen vonden. We zijn van mening dat deze verbeterde nauwkeurigheid het resultaat is van het elimineren van fouten in de geautomatiseerde segmentatie van structuren in afbeeldingen en het opnemen van delen van de afbeelding die momenteel niet klinisch voor dit doel worden gebruikt.

Aanvullend, in tegenstelling tot de huidige trend in AI-onderzoek dat gebruik maakt van grotere en diepere netwerken, het netwerk dat we gebruikten was een klein 5-laags netwerk omdat medische gegevens vanwege het vertrouwelijke karakter niet zo gemakkelijk toegankelijk zijn. Deze dataschaarste maakt het gebruik van grote netwerken in veel medische toepassingen onpraktisch. Zelfs in onderzoek, we zien soms dat "less is more, " en door deze algoritmen op kleinere netwerken te trainen, kunnen ze efficiënter werken.

Dit is slechts één facet van ons onderzoek naar het toepassen van AI voor het oog. In een onlangs aangekondigde nieuwe samenwerking, IBM Research en George &Matilda (G&M) zullen gebruikmaken van de robuuste dataset van anonieme klinische gegevens en beeldvormende onderzoeken van G&M om methoden te verkennen om deep learning-modellen en beeldanalyses te gebruiken om clinici te ondersteunen bij de identificatie en detectie van oogziekten, waaronder glaucoom, in beelden . Onderzoekers zullen ook kijken naar de mogelijke biomarkers van glaucoom, die kunnen helpen bij het beter begrijpen van ziekteprogressie.

Dit verhaal is opnieuw gepubliceerd met dank aan IBM Research. Lees hier het originele verhaal.