Een vision-transformermodel voor het opsporen van glaucoom op foto’s van de oogzenuwkoppeling

Waarom dit belangrijk is voor alledaags zicht

Glaucoom is een van de belangrijkste oorzaken van blijvende blindheid wereldwijd, maar het sluipt vaak binnen zonder symptomen totdat het zicht al ernstig beschadigd is. Het goede nieuws is dat simpele foto’s van het achterste deel van het oog op veel plaatsen beschikbaar zijn, zelfs in klinieken met beperkte apparatuur. Deze studie onderzoekt of een geavanceerd computerprogramma die foto’s betrouwbaar kan beoordelen en vroege tekenen van glaucoom kan signaleren, lang voordat de meeste mensen problemen zouden opmerken.

Een sluimerende bedreiging voor het gezichtsvermogen

Glaucoom beschadigt geleidelijk de oogzenuw, het bundelvezel dat visuele signalen van het oog naar de hersenen transporteert. Artsen letten op veranderingen in de oogzenuwkoppeling, het punt waar deze zenuw het oog verlaat, maar het interpreteren van deze subtiele vormen is moeilijk en zelfs experts verschillen vaak van mening. Veel regio’s hebben bovendien te weinig oogspecialisten om grote bevolkingsgroepen te screenen. Als gevolg daarvan wordt naar schatting ongeveer de helft van de glaucoomgevallen wereldwijd niet gediagnosticeerd, vooral in lage- en middeninkomenslanden, en veel mensen ontdekken pas dat ze de ziekte hebben nadat er al aanzienlijk gezichtsverlies is opgetreden.

Een computer leren oogfoto’s te lezen

De onderzoekers verzamelden meer dan duizend foto’s van de oogzenuwkoppeling van mensen met vroeg glaucoom die behandeld werden in een Amerikaans oogcentrum, plus honderden foto’s van gezonde ogen uit twee openbare beelddatabases. Glaucoomspecialisten beoordeelden elke foto als glaucomateus of gezond uitsluitend op basis van het uiterlijk van de oogzenuw, waarbij ogen met andere netvliesproblemen werden uitgesloten. Het team sneed elke afbeelding zo bij dat de oogzenuwkoppeling een vergelijkbaar deel van het beeld besloeg en gebruikte zorgvuldige kwaliteitscontroles en realistische beeldtransformaties, zoals lichte rotaties, in- en uitzoomen en vervaging, om de trainingsset uit te breiden terwijl ze representatief bleef voor omstandigheden in de echte wereld.

Een nieuw soort neuraal netwerk

In plaats van te vertrouwen op meer traditionele beeldanalysemethoden bouwde het team het model op een "vision transformer", een nieuwere familie van deep-learninginstrumenten die oorspronkelijk zijn ontwikkeld voor het herkennen van objecten in alledaagse foto’s. Dit model verdeelt elke afbeelding van de oogzenuwkoppeling in veel kleine patches, stelt elke patch voor als een data-token en gebruikt vervolgens lagen van attention-blokken om te wegen hoe verschillende regio’s van de koppeling zich tot elkaar verhouden. Het netwerk geeft een score tussen 0 en 1 die aangeeft hoe waarschijnlijk het is dat het oog glaucoom heeft; scores van 0,5 of hoger gelden als positief. Om het maximale uit de beschikbare data te halen, gebruikten de onderzoekers gebalanceerde sampling, gewogen verliesfuncties en cross-validatie, en vergeleken ze de transformer met een sterk convolutioneel netwerk genaamd EfficientNet.

Hoe goed het systeem vroeg ziekte zag

Bij testen op beelden die het model nog niet eerder had gezien, onderscheidde de vision transformer glaucomateuze van gezonde ogen bijna perfect. De belangrijkste prestatiemaatstaf, het oppervlak onder de receiver operating curve, was 1,00 op de testset, met een nauwkeurigheid rond 99 procent, zeer hoge sensitiviteit en zeer hoge specificiteit. In praktische termen miste het systeem bijna geen glaucoomgevallen en classificeerde het slechts weinig gezonde ogen als ziek. Toen de onderzoekers het model later uitdaagden met bijna duizend ogen met matig tot gevorderd glaucoom, identificeerde het correct alle gevallen behalve één. De transformer presteerde ook beter dan de op EfficientNet gebaseerde aanpak, die lagere nauwkeurigheid en meer fout-positieven en -negatieven liet zien.

Wat dit kan betekenen voor oogzorg

Aangezien het model werkt met standaardfoto’s van de oogzenuwkoppeling en getraind is op een raciaal diverse groep patiënten, biedt het een realistisch beeld van hoe kunstmatige intelligentie kan helpen bij het screenen op glaucoom in veel delen van de wereld. De auteurs waarschuwen dat hun studie een kleinere totale steekproef gebruikte dan sommige andere onderzoeken en voor veel van de gezonde controles afhankelijk was van externe datasets, wat verborgen vooroordelen kan introduceren. Ze stellen dat grotere, meer gevarieerde beeldverzamelingen, beelden gemaakt met draagbare camera’s, en opname van basisgegevens zoals leeftijd of mate van bijziendheid belangrijke volgende stappen zullen zijn. Toch suggereren hun bevindingen dat slimme analyse van simpele oogfoto’s een kosteneffectieve manier kan worden om glaucoom vroeg op te sporen en voorkombare blindheid te verminderen, vooral waar specialisten schaars zijn.

Belangrijkste boodschap voor lezers

Dit werk laat zien dat een geavanceerd computermodel kan leren de vroege kenmerken van glaucoom te herkennen op routinematige foto’s van de oogzenuw met zeer hoge nauwkeurigheid. Hoewel meer testen in klinische praktijk nodig zijn, zouden dergelijke hulpmiddelen op termijn artsen kunnen helpen snel grote aantallen patiënten te sorteren in degenen die dringende oogzorg nodig hebben en degenen die dat niet doen, waardoor vroegtijdige bescherming van het zicht wereldwijd toegankelijker wordt.

Bronvermelding: Bouris, E., Leyva, B.K., Odugbo, O.P. et al. A vision transformer model for the detection of glaucoma from optic disc photographs. Sci Rep 16, 14831 (2026). https://doi.org/10.1038/s41598-026-44662-7

Trefwoorden: glaucoomscreening, fotografie van de oogzenuwkoppeling, deep learning, vision transformer, ooggezondheid