SwinCup-DiscNet: Een fusion-transformerkader voor glaucoomdiagnose met kenmerken van de papil en cup

Waarom dit belangrijk is voor het behoud van zicht

Glaucoom is een van de belangrijkste oorzaken van onomkeerbare blindheid wereldwijd, maar het sluipt vaak geruisloos op, zonder pijn of vroege waarschuwingssignalen. Oogartsen kunnen subtiele veranderingen achter in het oog zien voordat het zicht verloren gaat, maar dit handmatig bij elke patiënt doen is traag en soms inconsistent. Dit artikel introduceert SwinCup-DiscNet, een nieuw kunstmatig-intelligentiesysteem (AI) dat retinafoto’s leest om glaucoom vroegtijdig te signaleren, waarbij klassieke klinische aanwijzingen worden gecombineerd met moderne deep learning.

Kijken naar de zenuw in het oog

Om te begrijpen wat het systeem doet, helpt het te weten hoe glaucoom gewoonlijk wordt opgespoord. Oogspecialisten onderzoeken de papillairand (optic nerve head), de plek waar de zenuw die visuele informatie draagt het oog verlaat. In het midden van deze ‘schijf’ bevindt zich een lichtere inkeping, de ‘cup’. Naarmate glaucoom vordert, verdiept en verbreedt de cup vaak, en eet zij in op de omliggende rand van zenuwweefsel. Een belangrijke maat is de cup-tot-disc-ratio, die de grootte van de cup vergelijkt met die van de schijf. Een hogere ratio wijst vaak op beschadiging. Het meten van deze ratio met de hand op duizenden retinafoto’s is tijdrovend en zelfs deskundigen kunnen het oneens zijn. SwinCup-DiscNet automatiseert zowel de meting van deze ratio als het algemene oordeel over de waarschijnlijkheid dat een oog glaucoom heeft.

Een tweesporige AI die details en het grotere beeld ziet

Het systeem volgt twee parallelle sporen wanneer het een retinafundusbeeld ontvangt. Ten eerste is er een segmentatie-branch die de papil en de centrale cup isoleert. Deze gebruikt een gespecialiseerd netwerk dat bekendstaat als Attention U-Net, dat leert belangrijke structuren te benadrukken en storende achtergrondkenmerken zoals bloedvaten en belichtingsartefacten te negeren. Zodra de cup- en schijfgrenzen zijn geïdentificeerd, vloeit het systeem ze en past het schone ovale vormen aan, waarna het hun verticale afmetingen meet om de verticale cup-tot-disc-ratio te berekenen — een klinisch vertrouwd markeerpunt voor glaucoom.

Patronen leren die verder gaan dan wat het oog kan meten

In het tweede spoor bekijkt een transformer-gebaseerde tak het gehele beeld zonder zich op één enkel getal te richten. Deze tak gebruikt een Swin Transformer, een modern deep-learningmodel dat het beeld in kleine patches verdeelt en analyseert hoe die zich tot elkaar verhouden over het hele netvlies. Daarbij pikt het subtiele patronen op in textuur, kleur en structuur rond de papil en nabijgelegen gebieden die mogelijk aan glaucoom gerelateerd zijn maar moeilijk door mensen te kwantificeren. Vanuit dit globale perspectief produceert het model een waarschijnlijkheid dat het beeld afkomstig is van een persoon met glaucoom.

Vertrouwde aanwijzingen mengen met AI-intuïtie

De kern van SwinCup-DiscNet is hoe het deze twee bewijsbronnen samenvoegt. In plaats van alleen te vertrouwen op de cup-tot-disc-ratio of alleen op de waarschijnlijkheid van de transformer, mengt het systeem ze met een gewogen regel. De cup-tot-disc-ratio wordt genormaliseerd op basis van het gedrag in de trainingsdata en vervolgens gecombineerd met de door het model geleerde glaucoomwaarschijnlijkheid in één score. Als die samengevoegde score een drempel overschrijdt, wordt het oog geclassificeerd als glaucomateus; zo niet, dan wordt het als normaal gelabeld. Dit ontwerp verankert de beslissing in een bekende klinische maat terwijl het toch profiteert van de rijkere patronen die de AI kan detecteren. Het systeem legt ook de aangepaste schijf- en cupomtrekken over het originele beeld heen, zodat artsen visueel kunnen zien welke regio de beslissing heeft beïnvloed.

De methode op de proef stellen

De auteurs evalueerden SwinCup-DiscNet op drie veelgebruikte openbare datasets van retinabeelden: LAG, ACRIMA en DRISHTI-GS. Deze verzamelingen verschillen in cameratype, beeldkwaliteit en patiëntpopulatie, wat ze tot een zware test maakt. Over alle datasets heen evenaarde of overtrof het nieuwe systeem traditionele convolutionele netwerken en methoden die alleen de cup en schijf segmenteren. Het behaalde zeer hoge segmentatiekwaliteit, lage fout in de schatting van de cup-tot-disc-ratio en classificatienauwkeurigheden rond of boven de 99 procent, met sterke prestatiecurves die aangeven dat het zelden gezonde en zieke ogen verwisselt. Een foutanalyse toonde dat de meeste resterende vals-positieven in grensgevallen zaten waarin de optische cup van nature groot was maar niet daadwerkelijk ziek — een afweging die bij screening vaak acceptabel is.

Wat dit betekent voor toekomstige oogscreening

In eenvoudige bewoordingen laat SwinCup-DiscNet zien dat AI zowel ‘denkt als een arts’ door gevestigde markers zoals de cup-tot-disc-ratio te gebruiken, als ‘verder ziet dan het voor de hand liggende’ door complexe patronen in retinabeelden te leren. Door deze sterke punten te combineren levert het systeem nauwkeurigere en beter interpreteerbare glaucoomscreening dan veel bestaande benaderingen. Met verdere tests op real-world ziekenhuisdata en mogelijke uitbreidingen om ziektelast te classificeren, zou dit soort hybride AI een praktisch hulpmiddel kunnen worden in oogklinieken, waardoor glaucoom eerder wordt opgespoord en vermijdbare blindheid kan worden voorkomen.

Bronvermelding: Chilukuri, R., Praveen, P., Gatla, R.K. et al. SwinCup-DiscNet: A fusion transformer framework for glaucoma diagnosis using optic disc and cup features. Sci Rep 16, 7920 (2026). https://doi.org/10.1038/s41598-026-39065-7

Trefwoorden: glaucoom, retina-imaging, diep leren, optische zenuw, medische screening