Kunstmatige intelligentie-gebaseerde beoordeling van behandelrespons bij natte leeftijdsgebonden maculadegeneratie met behulp van gekoppelde OCT-angiografie

Waarom dit belangrijk is voor het gezichtsvermogen

Leeftijdsgebonden maculadegeneratie is een belangrijke oorzaak van gezichtsverlies bij oudere volwassenen, en veel mensen krijgen herhaalde ooginjecties om de ziekte onder controle te houden. Artsen vertrouwen op oogscans om te bepalen of een behandeling werkt, maar het interpreteren van die scans is moeilijk en kan verschillen tussen specialisten. Deze studie onderzoekt hoe kunstmatige intelligentie kan helpen om het slagen van een behandeling consistenter te beoordelen, met gebruik van een nieuwere vorm van oogbeeldvorming die de kleine bloedvaatjes achter in het oog in kaart brengt.

Bloedstroom zien zonder kleurstof

Jarenlang gebruikten specialisten kleurstofgebaseerde beeldvorming om abnormale bloedvaten te vinden die het centraal zicht bedreigen. Meer recent hebben optische coherentietomografie en de afgeleide OCT-angiografie artsen in staat gesteld om fijne lagen van het netvlies en de bloedstroom te zien zonder een injectie. Deze scans kunnen tonen hoe abnormale vaten groeien, krimpen of van vorm veranderen tijdens behandeling, maar de patronen zijn vaak subtiel en komen niet altijd overeen met duidelijke tekenen van actieve ziekte zoals vocht of bloedingen. Daardoor kan het bepalen of een behandelkuur echt geholpen heeft, niets uitrichtte of de ziekte heeft laten verergeren tijdrovend en subjectief zijn.

Een digitale second opinion trainen

De onderzoekers verzamelden meer dan duizend paar OCT-angiografiefoto's van mensen met de natte vorm van maculadegeneratie. Elk paar toonde hetzelfde oog voor en na een reeks anti-VEGF-injecties, een standaardmedicatie die de groei van abnormale vaten remt. Afzonderlijke dwarsdoorsnede-scans en veranderingen in het gezichtsvermogen werden gebruikt om te beslissen of elke behandelkuur duidelijk verbetering gaf, het oog min of meer ongewijzigd liet, of de aandoening liet verslechteren. Deze deskundig bepaalde labels dienden als referentiestandaard om een deep learning-systeem te leren nieuwe beeldparen in dezelfde drie groepen in te delen.

Hoe de computer de scans leest

Het team bouwde een model met twee parallelle takken, één voor de scan vóór de behandeling en één voor de scan ná de behandeling. Voor elk tijdstip onderzocht het systeem meerdere lagen van het netvlies en de choroidea die als vlakke, bovenaanzicht-beelden waren vastgelegd. Het leerde eerst complexe visuele kenmerken uit elke scan te halen, zoals vaatdichtheid en vertakkingspatronen, en combineerde vervolgens informatie van beide tijdpunten om tot één beoordeling te komen: verbeterd, ongewijzigd of verslechterd. De beelden werden willekeurig verdeeld zodat sommige paren werden gebruikt om het model te trainen, sommige om het fijn af te stemmen, en een aparte set werd achtergehouden voor de eindtest.

De computer vergelijken met experts

In de onafhankelijke testset classificeerde het kunstmatige-intelligentiesysteem de behandelrespons correct in ongeveer acht van de tien beeldparen, met bijzonder sterke prestaties bij het opsporen van verbeteringen. Twee ervaren netvliesartsen beoordeelden dezelfde beeldparen zonder toegang tot andere klinische gegevens. Hun gezamenlijke nauwkeurigheid lag dichter bij zes op de tien, en zij hadden de meeste moeite met gevallen waarin de aandoening stabiel was in plaats van duidelijk beter of slechter. Statistische analyse liet zien dat menselijke beoordelaars bijna drie keer zo vaak als het model fout zaten bij het inschatten of een behandelkuur hielp, niets veranderde, of faalde, wat benadrukt hoe uitdagend deze scans met het blote oog zijn te interpreteren.

Wat dit voor patiënten kan betekenen

De studie suggereert dat een zorgvuldig getraind kunstmatig-intelligentiesysteem kan fungeren als een consistente lezer van gekoppelde vaatscans en een objectieve kijk kan bieden op hoe de abnormale vaten bij maculadegeneratie op behandeling reageren. Hoewel dergelijke hulpmiddelen artsen niet zullen vervangen, zouden ze als beslissingsondersteuning kunnen dienen, subtiele veranderingen signaleren, meningsverschillen tussen experts verminderen en helpen injectieschema's preciezer af te stemmen. Op de lange termijn kan deze benadering meer gepersonaliseerde zorg ondersteunen en het gebruik van nieuwe en bestaande medicijnen voor het behoud van gezichtsvermogen bij mensen met deze veelvoorkomende oogaandoening verbeteren.

Bronvermelding: Morsy, M.S., Dutta, N.A., Eldessouky, E.I. et al. Artificial intelligence based assessment of treatment response in wet age related macular degeneration using paired OCT angiography. Sci Rep 16, 15405 (2026). https://doi.org/10.1038/s41598-026-42999-7

Trefwoorden: leeftijdsgebonden maculadegeneratie, optische coherentietomografie-angiografie, kunstmatige intelligentie, behandelrespons, retinale beeldvorming