Het menselijk oog - een raam naar het hart en de hersenen
Uit recent onderzoek blijkt dat de bloedvaten op het netvlies heel wat informatie over onze gezondheid bevatten. Artsen kunnen via een (goedkope) foto van het netvlies niet alleen oogziekten vaststellen, maar daarnaast ook het risico op hart- en vaatziekten opsporen. De (partiële) automatisering van de analyse van het netvlies kan de detectie van voornoemde oog- en systeemziekten versnellen, alsook de subjectiviteit van een arts verminderen.
‘Als iemand het risico op een beroerte loopt, zijn de bloedvaten veel nauwer. Dat kunnen we meten op een digitale foto. Op die manier kunnen we vijf à tien jaar op voorhand voorspellen of iemand in aanmerking komt voor een beroerte.’ – Patrick De Boever, project manager bij VITO (Vlaamse Instelling voor Technologisch Onderzoek).
Tijdens de netvliesanalyse worden er tal van statistieken (ook wel biomerkers genoemd) berekend die mogelijks kunnen dienen als risico-indicator die gekoppeld zijn aan een bepaalde oog- of systeemziekte. Een voorbeeld hiervan is de ratio van de gemiddelde dikte van de slagaders (zuurstofrijk bloed) ten opzichte van de dikte van de aders (zuurstofarm bloed), die dan kan vergeleken worden met een ‘gezonde’ ratio. In het geval van een beroerte hebben onderzoekers vastgesteld dat de aders vernauwd zijn, wat zich dan vertaalt in een hogere ratio dan normaal.
In dit thesisonderzoek werd een algoritme ontwikkeld in samenwerking met VITO dat een deel van de netvliesanalyse automatiseert: het is in staat om de twee verschillende types bloedvaten (slagader en ader) te identificeren op een foto van het netvlies zonder tussenkomst van een arts. Op die manier kan de belangrijke ratio van de bloedvatendikte in enkele seconden bemachtigd worden, in plaats van een arts dit manueel te laten opmeten.
De software doet beroep op een recente doorbraak in het domein van artificiële intelligentie - verwezen als ‘deep learning’ - die nu alom wordt toegepast door technologiereuzen en start-ups. Het principe achter deep learning steunt op de werking van neuronen in het menselijk brein: het systeem is georganiseerd in vele lagen van neuronen, waar elke volgende laag meer complexe informatie kan begrijpen en leren. Wanneer u dit artikel leest, ziet u in het begin (onbewust) ook enkel individuele letters, die dan opeenvolgend woorden, zinnen en alinea’s vormen, om dan uiteindelijk tot een geheel artikel te komen, dat u hopelijk iets nieuws heeft bijgebracht (menselijk leren). Deep learning toegepast op foto’s ziet en begrijpt in de beginlagen ook enkel individuele pixels, waarna meer complexe structuren zoals randen en objecten worden aangeleerd in lagen aan het eind van het netwerk.
Momenteel is de toepassing van deep learning in de medische wereld vooralsnog beperkt mede door de vereiste van een grote hoeveelheid gelabelde data voor het trainen van een model. In mijn onderzoek heb ik een hoge performantie kunnen bereiken met slechts twintig netvliesbeelden waar de twee verschillende soorten bloedvaten op aangeduid zijn door een gespecialiseerde arts. Wanneer ik deze beelden in hun oorspronkelijke vorm aan een deep learning model zou invoeren, zou het model niet in staat zijn te ‘generaliseren’. Met andere woorden, het zou die twintig foto’s zo goed uit het hoofd leren, dat het perfecte accuraatheid scoort op diezelfde beelden, maar compleet zou falen wanneer er een ongeziene foto wordt aangeleverd. Door de aanwezigheid van vele lagen in het netwerk, is er een hoog aantal unieke trainingsbeelden vereist, opdat het netwerk niet uit het hoofd leert.
Weer kan de link gelegd worden met het menselijk leren. In het lager onderwijs worden de maaltafels aangeleerd door verschillende producten als opdracht te geven, en niet uitsluitend het product 2x2=4 te blijven herhalen. Door een variatie aan trainingsmateriaal aan te bieden, slaagt het kind er stilaan in van de kunst van het vermenigvuldigen te generaliseren, en dus zelf een juiste oplossing te formuleren voor een ongezien product.
Het grote struikelblok in mijn onderzoek was om met slechts twintig unieke gelabelde foto’s een zinvol model te trainen. De sleutel tot succes bleek data-augmentatie te zijn: originele foto’s omvormen tot een veelvoud aan ‘nieuwe’ foto’s. Door een foto te draaien of te spiegelen bijvoorbeeld, wordt dit door het deep learning model beschouwd als unieke foto op zichzelf. Daarnaast heb ik van de oorspronkelijke foto’s een tal van kleinere beelden uitgesneden, wat uiteindelijk heeft geleid tot een dataset van circa 80000 unieke beelden.
De huidige performantie van het model ligt reeds hoger dan deze gerapporteerd in de thesistekst die dateert van juni 2017. Met 98% aan juist geclassificeerde bloedvaten (slagader of ader) komt het model erg dicht in de buurt van een menselijke expert en laat het andere softwaretechnieken ver achter zich. Daarnaast wordt er overlegd met VITO of er een wetenschappelijke publicatie en/of patent uit kan voortkomen.
Ondertussen heb ik de heuglijke samenwerking met VITO verlengd in de vorm van een doctoraat waarin ik de toepassingen van deep learning in de medische wereld nog verder ga verkennen. Met de steun van medische experts van UZ Leuven ga ik me in eerste instantie toespitsen op de automatische detectie van glaucoom (een veelvoorkomende oogziekte) op basis van netvliesbeelden.
