Kunstmatige Intelligentie: computer detecteert diabetische retinopathie en andere oogziekten als glaucoom en maculadegeneratie

 

Naar schatting zullen in 2040 ongeveer 600 miljoen mensen aan diabetes lijden, waarvan een derde diabetische retinopathie heeft. Screenen voor diabetische retinopathie is essentieel om diabetes-gerelateerde blindheid te voorkomen. Screening wordt in vele landen bemoeilijkt door implementatieproblemen, beperkte beschikbaarheid van beoordelende artsen en de kosten die hiermee gemoeid gaan. Gelukkig lijkt een oplossing dichtbij. Recent werd aangetoond dat een systeem dat gebruik maakt van kunstmatige intelligentie behoorlijk hoge sensitiviteit en specificiteit heeft voor het identificeren van diabetische retinopathie en andere oogziekten in patiënten van verschillende etniciteit. Dit schrijven onderzoekers in JAMA.

 Een tekort aan getrainde professionals voor het beoordelen van retinascopieën opvangen met een computersysteem? Shu Wei Ting en collegae ontwikkelden een dergelijk systeem en onderzochten de diagnostische waarde bij diabetes.

Het zogeheten Deep Learning System (DLS) maakt gebruik van kunstmatige intelligentie en kan zo grote datasets verwerken en patronen herkennen. Het onderzoek gepubliceerd in JAMA was tweeledig van doel. Enerzijds werd de sensitiviteit en specificiteit van DLS onderzocht in datasets van zowel het nationale screeningsprogramma in Singapore als van screeningsdatasets in 10 andere landen, zodat het systeem gevalideerd kon worden in patiënten van verschillende etniciteit. Anderzijds werd gekeken naar de validiteit van DLS als volautomatisch en als semi-automatisch screeningstool (casussen die DLS als ‘verwijsindicatie’ classificeerde werden hierna door een menselijke beoordelaar bekeken).

DLS werd getraind om patronen van diabetische retinopathie, visus-bedreigende diabetische retinopathie, glaucoom en maculadegeneratie te herkennen. De datasets die bestudeerd werden besloegen bijna 500.000 retinabeelden. DLS werd getraind met ruim 76.000 beelden van diabetische retinopathie, ruim 125.000 beelden van glaucoom en ruim 72.000 beelden van maculadegeneratie. De retinabeelden waren allemaal eerder beoordeeld door getraind personeel en gesuperviseerd door retina-experts. Sensitiviteit van DLS was vergelijkbaar met die van de menselijke beoordelaars: 90,5% vs 91,1%, p=ns). Specificiteit was ook hoog met DLS maar wel significant minder hoog dan met menselijke beoordelaars: 91,6% vs 99,3%, p<0,001).

Het volautomatische DLS model had een sensitiviteit van 93,0% en een specificiteit van 77,5% voor het identificeren van diabetische retinopathie, glaucoom of maculadegeneratie. Bij het semi-automatische DLS model bedroeg dit 91,3% en 99,5% respectievelijk.

De auteurs concluderen dat het door hen ontwikkelde DLS een hoge sensitiviteit en specificiteit heeft, welke vergelijkbaar is met het huidige screeningsmodel waarbij professionele beoordelaars ingezet worden voor identificatie van diabetische retinopathie. Zowel een volautomatisch als een semi-automatisch DLS systeem lijken realiseerbaar in de toekomst. Dit is niet de eerste studie die gebruik maakt van DLS voor identificatie van diabetische retinopathie. Echter, deze studie draagt wel in belangrijke mate bij omdat hier gekeken is naar een zeer grote multi-etnische populatie, met verschillende klinische scenario’s en meerdere oogziekten, inclusief glaucoom en maculadegeneratie.

De diagnostische waarde van dit DLS was consistent in alle etnische groepen, de verschillende oogziekten, de verschillende camera’s die gebruikt werden en verschillende mate van hypoglycemische controle.

Bron: Shu Wei Ting D. et al. Development and Validation of a Deep Learning System for Diabetic Retinopathy and Related Eye Diseases Using Retinal Images from Multiethnic Populations With Diabetes. JAMA 2017;318(22):2211-2223.

Link: http://jamanetwork.com/journals/jama/fullarticle/10.1001/jama.2017.18152

Door: Judith Cohen