AI-geassisteerde detectie van structurele afwijkingen in het hoornvlieszenuwstelsel bij vroege diabetische keratopathie: ontwikkeling en validatie van een deep learning-framework

Waarom kleine oognerven belangrijk zijn bij diabetes

Diabetes staat bekend om het beschadigen van grote zenuwen in voeten en benen, wat vaak leidt tot pijn, gevoelloosheid en soms amputaties. Maar lang voordat deze schade duidelijk wordt, kunnen de kleinste zenuwen in het lichaam al beginnen te functioneren onder de maat. Het heldere venster aan de voorkant van het oog — het hoornvlies — zit vol met deze dunne vezels. Deze studie laat zien hoe geavanceerde beeldvorming en kunstmatige intelligentie (AI) samen kunnen werken om vroege zenuwbeschadiging in het hoornvlies op te sporen, en zo mogelijk een nieuwe, pijnloze manier te bieden om zenuwproblemen bij mensen met diabetes vroegtijdig te detecteren.

Vroege zenuwbeschadiging via het oog zichtbaar maken

De huidige tests voor diabetische zenuwbeschadiging zijn verre van perfect. Eenvoudige tests aan bed hangen af van de vaardigheid van de arts en de reacties van de patiënt, en missen vaak subtiele, vroege veranderingen. Meer precieze onderzoeken, zoals zenuwgeleidingsonderzoeken of huidbiopsieën, zijn invasief, duur en niet praktisch voor routinematige screening. Het hoornvlies kan echter niet-invasief worden onderzocht met in vivo confocale microscopie, een gespecialiseerde camera die sterk vergrote beelden van hoornvlieszenuwen vastlegt. Onderzoekers hebben al aangetoond dat een algemeen verlies van deze zenuwen correleert met de ernst van diabetische zenuwaandoeningen. Maar de vroegste waarschuwingssignalen gaan niet altijd over het aantal zenuwen; het kan ook gaan om kleine structurele defecten langs verder intacte vezels.

Richten op kleine hotspots genaamd microneuromen

In de afgelopen jaren hebben artsen die met krachtige microscopen werken kleine, heldere, gezwollen plekjes langs hoornvlieszenuwen opgemerkt bij mensen met diabetes. Deze "microneuromen" worden gezien als tekenen van gestreste of regenererende zenuwuiteinden en kunnen optreden voordat grote gebieden met zenuwverlies zichtbaar zijn. Het team achter deze studie wilde een computer leren deze subtiele kenmerken automatisch te herkennen. Ze verzamelden meer dan 5.000 hoornvliesbeelden van mensen met diabetes en gezonde vrijwilligers in twee oogcentra in China. Ervaren hoornvliespecialisten filterden zorgvuldig beeldmateriaal van slechte kwaliteit eruit, labelden waar microneuromen aanwezig waren en sorteerden ze in drie zichtbare patronen: gelokaliseerde zwellingen, grotere bolvormige verdikkingen en meer diffuse heldere plekken.

Een AI-assistent trainen om zenuwbeelden te lezen

Met deze door experts gelabelde beelden bouwden de onderzoekers een meerstaps deep learning-systeem. Eerst screende één AI-model wazige of niet-relevante beelden en hield alleen die over die duidelijk de belangrijke zenuwlaag toonden. Een tweede model oordeelde of een afbeelding microneuromen bevatte. Een derde markeerde de exacte gebieden waar deze laesies verschenen, en drie aanvullende modellen categoriseerden ze in de drie visuele typen. Het systeem werd getraind op data van één ziekenhuis en vervolgens getest op zowel niet eerder geziene beelden van hetzelfde centrum als op een volledig onafhankelijke groep van een ander ziekenhuis, om te controleren of het betrouwbaar werkte bij verschillende patiëntengroepen en beeldsessies.

Hoe goed de AI in de praktijk presteerde

De AI bleek zeer nauwkeurig te zijn in de basis kwaliteitscontrole en beoordeelde bruikbare beelden in meer dan 97% van de gevallen correct. Bij het bepalen of microneuromen aanwezig waren, classificeerde het afbeeldingen correct in ongeveer 81–84% van de gevallen in zowel interne als externe testsets. Zijn vermogen om laesies te segmenteren en ondertypen te bepalen was ook sterk, met redelijk hoge prestaties zelfs op data van het tweede centrum. Om te zien of dit verschil maakte bij dagelijkse beoordeling, vroegen de onderzoekers beginnende oogartsen — met weinig formele training in deze beeldtechniek — om een afzonderlijke set van 150 beelden eerst zelfstandig te lezen en daarna met AI-ondersteuning. Met de AI-hulp steeg hun diagnostische nauwkeurigheid van ongeveer 69% naar 88%, en werd hun gemiddelde leestijd per afbeelding met meer dan de helft verkort, wat suggereert dat zulke hulpmiddelen klinieken kunnen versnellen en de visuele belasting voor clinici kunnen verminderen.

Wat dit kan betekenen voor mensen met diabetes

Deze studie toont aan dat een zorgvuldig getraind AI-systeem automatisch kleine zenuwafwijkingen in het hoornvlies kan vinden en beschrijven, en dat dit aanzienlijk kan helpen bij minder ervaren artsen om complexe oogscans te interpreteren. Hoewel het onderzoek nog in een vroeg stadium is en gebaseerd op retrospectieve data uit twee centra, versterkt het het idee dat het oppervlak van het oog als een "venster" kan fungeren naar de gezondheid van de kleine zenuwen in het lichaam. Als toekomstige multicentrische, langdurige studies bevestigen dat corneale microneuromen betrouwbaar vroege diabetische zenuwbeschadiging signaleren, zou dit type AI-geassisteerde beeldvorming een snelle, niet-invasieve manier kunnen worden om mensen met diabetes te screenen, ziekteprogressie te volgen en mogelijk in te grijpen voordat zenuwbeschadiging permanent wordt.

Bronvermelding: Pan, J., Shi, X., Wan, L. et al. AI-Assisted detection of corneal nerve structural abnormalities in early diabetic keratopathy: development and validation of a deep learning framework. Sci Rep 16, 5846 (2026). https://doi.org/10.1038/s41598-026-36576-1

Trefwoorden: diabetische neuropathie, hoornvlieszenuwen, microneuromen, deep learning, in vivo confocale microscopie