Multi-stream deep learning framework integrating images and feature representations to predict mild cognitive impairment using the rey complex figure test

Waarom tekenen verborgen geheugenproblemen kan onthullen

Nu mensen ouder worden, maken velen zich zorgen over subtiele geheugenfoutjes en of die kunnen wijzen op vroege stadia van dementie. Artsen gebruiken al lange tijd eenvoudige pen-en-papier tekentests om denken en geheugen te toetsen, omdat ze snel, goedkoop en gemakkelijk in elke kliniek af te nemen zijn. Deze studie laat zien hoe moderne kunstmatige intelligentie veel meer informatie uit één klassieke tekentest kan halen en die kan omzetten in een krachtig vroegwaarschuwingsinstrument voor mild cognitief functieverlies, een aandoening die vaak aan dementie voorafgaat.

Een klassiek plaatje met nieuwe digitale ogen

Een veelgebruikte tekentaak is de Rey Complex Figure Test. Iemand wordt eerst gevraagd een gedetailleerde, abstracte lijntekening na te tekenen en die later uit het hoofd nogmaals te tekenen. Traditioneel scoren deskundigen elke tekening op een schaal van 36 punten, waarbij ze oordelen hoe nauwkeurig verschillende delen zijn geplaatst en gevormd. Die scores geven een nuttig beeld van visueel-ruimtelijke vaardigheden en visueel geheugen, maar negeren onvermijdelijk veel subtiele kenmerken van de tekening. De auteurs van dit artikel wilden een geautomatiseerd systeem bouwen dat naar de volledige afbeelding kijkt, dit combineert met de gebruikelijke puntenscore en basisachtergrondinformatie zoals leeftijd, geslacht en opleidingsjaren, en vervolgens beslist of iemand waarschijnlijk mild cognitief beperkt is.

Twee paden om een tekening te lezen

De onderzoekers ontwierpen een “twee-stromen” deep learning-model dat de tekeningen van elke persoon op twee verschillende manieren tegelijk verwerkt. In het eerste pad, de zogenaamde ruimtelijke stroom, worden de ruwe gescande afbeeldingen van drie tekeningen (de kopie, de directe herinnering en de vertraagde herinnering) gevoed aan een beeldherkenningsnetwerk. Dit netwerk, gebaseerd op een architectuur bekend als EfficientNet, leert automatisch visuele kenmerken zoals vormen, lijndikte en tekengestijl. Een speciaal aandachtmodule helpt het systeem vervolgens zich meer te richten op de meest informatieve regio’s van de tekening. In het tweede pad, de scoringsstroom, neemt het model de gebruikelijke Rey-scores — automatisch gegenereerd door een eerder getraind score-netwerk — samen met de leeftijd, het geslacht en de opleiding van de persoon op. Deze gestructureerde cijfers worden gecombineerd via een eenvoudiger voorspellingsnetwerk. Tenslotte worden de outputs van de twee stromen gemiddeld om één kans te produceren dat de persoon mild cognitief beperkt is in plaats van normaal cognitief functioneren.

Leren van veel ouderen

Om hun systeem te trainen en te testen, gebruikte het team tekeningen van 1.740 oudere volwassenen in een grote Koreaanse onderzoekscohort, ongeveer de helft met normaal cognitief functioneren en de andere helft met mild cognitief functieverlies. Ze splitsten deze dataset herhaaldelijk in trainings-, validatie- en testsets om het model te verfijnen en overfitting te voorkomen. Cruciaal is dat ze de prestaties ook evalueerden op een onafhankelijke groep van 222 patiënten uit een ander ziekenhuis. Voordat ze voorspellingsmodellen op deze externe set bouwden, gebruikten ze hun geautomatiseerde scoretool om grote afwijkingen tussen machine- en mensscores te controleren; in gevallen met grote meningsverschillen controleerden experts de beoordelingen opnieuw en corrigeerden waar nodig. Deze kwaliteitscontrole stap verbeterde de overeenstemming tussen menselijke en AI-scores en versterkte de koppeling tussen handmatige en geautomatiseerde beoordelingen.

Hoe goed het systeem vroege achteruitgang detecteert

De onderzoekers vergeleken hun twee-stromenmodel met verschillende alternatieven: eenvoudige statistische modellen die een veelgebruikte korte test van algemene cognitie gebruiken, modellen die alleen menselijke Rey-scores gebruiken, modellen die alleen AI-gegenereerde Rey-scores gebruiken, en een deep learning-model dat alleen naar de afbeeldingen keek zonder de scoringsstroom. Over vele herhalingen binnen de hoofdcohort en in de externe ziekenhuisgroep kwam het gecombineerde twee-stromen systeem consequent als beste uit de bus. In de externe test behaalde het een area under the ROC-curve van 0,872 en een totale nauwkeurigheid van ongeveer 78 procent, waarmee het zowel traditionele score-gebaseerde modellen als het alleen-beeld deep network overtrof. Deze verbeteringen suggereren dat de combinatie van rijke visuele details en gestructureerde score-informatie een stabieler en betrouwbaarder beeld geeft van vroege cognitieve veranderingen.

Wat dit kan betekenen voor dagelijkse klinieken

Voor de patiënt hoeft er niets aan de test te veranderen: ze gaan nog steeds zitten met potlood en papier en tekenen een complexe figuur na. Achter de schermen kan echter een scanner en het AI-systeem de tekeningen nu in seconden evalueren, gestandaardiseerde scores genereren en het risico van mild cognitief functieverlies nauwkeuriger inschatten dan veel bestaande snelle screeningsmiddelen. Omdat het slechts één vertrouwde test plus routinematige achtergrondinformatie vereist, kan de methode in drukke spreekuren worden opgenomen zonder grote verstoringen. Hoewel de studie zich richtte op Koreaanse deelnemers en alleen statische beelden gebruikte, wijst de aanpak op een toekomst waarin eenvoudige tekeningen, geïnterpreteerd door intelligente software, helpen subtiele cognitieve problemen vroeg genoeg te signaleren voor zinvolle interventie.

Bronvermelding: Park, J., Seo, E.H., Kim, S. et al. Multi-stream deep learning framework integrating images and feature representations to predict mild cognitive impairment using the rey complex figure test. Sci Rep 16, 9629 (2026). https://doi.org/10.1038/s41598-025-34491-5

Trefwoorden: mild cognitive impairment, Rey complex figure test, deep learning screening, cognitive assessment, dementia prevention