Detectie van MCI vanaf handgeschreven tekentests met behulp van residual vision transformer

Waarom eenvoudige tekeningen verborgen geheugenproblemen kunnen onthullen

Stel je voor dat een arts vroege waarschuwingssignalen van dementie kan herkennen alleen door te kijken naar hoe je een klok, een kubus of een rij verbonden cirkels tekent. Deze snelle schetsen worden al in klinieken gebruikt, maar ze worden met de hand beoordeeld en hangen sterk af van het oordeel van de arts. Dit artikel laat zien hoe een kunstmatig-intelligentiesysteem (AI) genaamd ResViT deze tekeningen automatisch kan "lezen", en penstreken kan omzetten in een vroegtijdige waarschuwing voor milde cognitieve stoornis (MCI), een fase tussen normaal ouder worden en dementie waarin behandeling en planning nog veel kunnen verbeteren.

Van pen-en-papiertests naar slimme screening

Milde cognitieve stoornis manifesteert zich vaak eerst in alledaagse taken die planning, aandacht en ruimtelijk inzicht vereisen — precies waar tekentests op zijn gericht. Artsen vragen patiënten vaak een klok te tekenen die een bepaalde tijd aangeeft, een driedimensionale kubus te kopiëren, of verspreide nummers en letters in volgorde te verbinden. Voorheen moest elke tekening visueel worden beoordeeld, wat traag is en kan variëren tussen beoordelaars. De auteurs wilden een objectiever systeem bouwen dat naar alle drie tekeningen tegelijk kijkt, en met een computer patronen opspoort die zelfs getrainde ogen kunnen missen. Hun doel is niet om artsen te vervangen, maar om ze een snelle, consistente second opinion te geven.

Het samenbrengen van twee manieren van zien: details en het grotere geheel

De kern van de studie is een hybride AI-model genaamd ResViT, ontworpen om twee complementaire stijlen van beeldanalyse te combineren. Het ene deel, gebaseerd op een techniek die bekendstaat als ResNet, is vooral goed in het opmerken van fijne details zoals randen, hoeken en kleine vervormingen in de lijnen van een tekening. Het andere deel, een Vision Transformer, blinkt uit in het begrijpen van de algemene lay-out — hoe de onderdelen van een klok, kubus of route zich over de pagina verhouden. In plaats van de tekeningen achtereenvolgens door deze componenten te voeren, draait het systeem ze parallel en voegt het de twee informatiestromen samen tot een enkele, rijkere weergave van iemands cognitieve toestand.

Hoe het systeem leert van echte patiënttekeningen

Om hun idee te testen, gebruikten de onderzoekers een openbare verzameling van tekeningen van 918 mensen, die elk de klok-, kubus- en trail‑making-taken hadden voltooid. De cognitieve status van elke persoon was al beoordeeld met een standaard klinische test, wat een grondwaarlabel gaf van "gezond" of "MCI." Het team zette de tekeningen om in grijsschaafoto's, schaalt ze naar uniforme afmetingen en paste eenvoudige variaties toe zoals rotaties en helderheidsveranderingen om het model robuuster te maken. Tijdens de training vergeleek ResViT herhaaldelijk zijn voorspellingen met de bekende labels en paste zijn interne parameters aan, met voorzorgsmaatregelen zoals early stopping en dropout om te voorkomen dat het model de trainingsdata uit het hoofd leert in plaats van algemene regels.

Hoe goed het werkt en wat het onthult

Toen het model werd geëvalueerd op mensen die het nog nooit had gezien, onderscheidde ResViT gezonde individuen van degenen met MCI in ongeveer driekwart van de gevallen, met een nauwkeurigheid van 74,09% en een gebalanceerde F1-score rond 0,67. Dit presteerde beter dan verschillende sterke alternatieven, waaronder versies die alleen het ResNet-deel gebruikten, alleen de Vision Transformer, of een ander populair netwerk genaamd EfficientNet. De hybride aanpak, met ongeveer een derde van het aantal interne parameters van een grote zelfstandige transformer, bleek bijzonder goed in het balanceren van gevoeligheid voor ziekte met het vermijden van valse alarmen. Met behulp van heatmap-visualisaties toonden de auteurs ook aan dat het model zich vaak richt op klinisch betekenisvolle regio's — zoals klokcijfers, kubusranden en vertakkingspunten in trails — wat suggereert dat het aandacht besteedt aan vergelijkbare aanwijzingen als menselijke experts.

Beperkingen vandaag en mogelijkheden voor morgen

De auteurs benadrukken dat hun systeem nog niet klaar is als universeel screeningsinstrument. De dataset is bescheiden van omvang, scheeftrek naar oudere volwassenen, en mist belangrijke achtergrondinformatie zoals opleidingsniveau en culturele verschillen, die allemaal van invloed kunnen zijn op hoe mensen tekenen. Het model kan ook rekenkundig veeleisend zijn voor apparaten met weinig vermogen. Toch kan ResViT, omdat het met relatief weinig nieuwe voorbeelden kan worden aangepast, worden uitgebreid naar andere cognitieve stoornissen of nieuwe tekentaken naarmate er meer gegevens beschikbaar komen. Het integreren van grotere en diversere datasets en het bouwen van slankere versies van het model zullen cruciale stappen zijn richting dagelijks gebruik.

Wat dit betekent voor patiënten en families

Simpel gezegd laat dit werk zien dat zorgvuldig ontworpen AI eenvoudige pen‑en‑papier schetsen kan omzetten in een praktisch instrument voor het opsporen van vroege tekenen van geheugen- en denkproblemen. Hoewel een nauwkeurigheid van 74% niet perfect is, is het veelbelovend voor een eerstelijnsfilter dat goedkoop, snel en gemakkelijk herhaalbaar is. In de toekomst kan een gescande tekening uit een kliniek, of zelfs een tablet thuis, subtiele veranderingen stilletjes signaleren lang voordat ze duidelijk worden in het dagelijks leven, waardoor artsen en families meer tijd krijgen om te handelen. In plaats van menselijk oordeel te vervangen, kunnen systemen zoals ResViT dat oordeel consistenter en tijdiger maken, en eerder hulp brengen aan mensen met risico op dementie.

Bronvermelding: Sirshar, M., Matloob, I., Tayyabah, A. et al. MCI detection from handwritten drawing test using residual vision transformer. Sci Rep 16, 10334 (2026). https://doi.org/10.1038/s41598-026-40716-y

Trefwoorden: milde cognitieve stoornis, tekentests, deep learning, vision transformer, vroegtijdige dementiedetectie