Ontwikkeling van een deep learning-model voor screening op primaire openkamerhoekglaucoom bij personen van Afrikaanse afkomst

Waarom dit van belang is voor alledaagse ooggezondheid

Glaucoom is een van de belangrijkste oorzaken van onomkeerbare blindheid wereldwijd en het steelt vaak het gezichtsvermogen stilletjes voordat mensen symptomen opmerken. Deze studie onderzoekt hoe kunstmatige intelligentie kan helpen een veelvoorkomende vorm van glaucoom eerder te detecteren, met name in gemeenschappen van Afrikaanse afkomst die zowel een hoger risico hebben als slechtere toegang tot gespecialiseerde oogzorg. Door een computer oogfoto’s te leren lezen, hopen de onderzoekers betrouwbare glaucoomscreening te brengen naar huisartsenpraktijken, buurtklinieken en hulpbronnenschaarse locaties wereldwijd.

De stille bedreiging voor het gezichtsvermogen

Primair openkamerhoekglaucoom beschadigt langzaam de oogzenuw, de kabel die visuele informatie van het oog naar de hersenen vervoert. In de beginfase voelen mensen zich meestal goed en zien ze scherp, ook al begint hun perifere gezichtsveld te krimpen. Omdat de ziekte geruisloos vordert en oogonderzoeken tijdrovend en schaars kunnen zijn in veel regio’s, blijft een groot deel van de patiënten ongediagnosticeerd totdat het gezichtsverlies permanent is. Deze belasting is met name groot in populaties van Afrikaanse afkomst, die zowel meer kans hebben om glaucoom te ontwikkelen als om blind te worden door de ziekte, terwijl zij historisch ondervertegenwoordigd zijn in medisch onderzoek en hoogwaardige beelddatasets.

Computers leren oogbeelden lezen

Het team ontwikkelde een geautomatiseerd screeningssysteem dat kleurfoto’s van de achterkant van het oog bestudeert, bekend als fundusbeelden. Deze foto’s zijn relatief goedkoop en gemakkelijk te maken, zelfs buiten een specialistische praktijk. Vanuit meer dan 64.000 beelden verzameld in de Primary Open-Angle African American Glaucoma Genetics (POAAGG)-studie trainden de onderzoekers deep learning-modellen om ogen met glaucoom te onderscheiden van ogen zonder. Ze vergeleken twee geavanceerde benaderingen: een convolutioneel "ResNet"-model en een "Vision Transformer", die het beeld in stukjes analyseert en kan aangeven waar het zijn aandacht op richt—vaak het beker-schijf-gebied van de oogzenuw, waar door glaucoom veroorzaakte veranderingen zichtbaar worden.

De scherpste foto’s eerst kiezen

Bij screening in de praktijk worden vaak meerdere beelden per bezoek gemaakt om problemen zoals knipperen of onscherpte te vermijden. In plaats van ze allemaal aan het model te voeren, vroegen de onderzoekers of het zorgvuldig kiezen van alleen de meest informatieve beelden de nauwkeurigheid zou kunnen verhogen. Ze testten twee automatische selectiestrategieën. De ene gebruikte een segmentatiemodel om de oogzenuw af te bakenen en beelden met bepaalde grooteigenschappen te kiezen. De andere—een binaire classifier—leerde het gedrag van deskundige beoordelaars in een leescentrum na te bootsen en onderscheidde "goede" beelden van slechte. Het selecteren van slechts zes hoogwaardige beelden per bezoek met de binaire classifier bereikte een prestatie gelijk aan die van menselijke beoordelaars en overtrof duidelijk zowel het gebruik van alle beelden als de segmentatiegebaseerde methode.

Verschillende aanwijzingen combineren tot één uitslag

Nadat de beste beelden van een bezoek waren geselecteerd, bekeek het systeem elk beeld met de Vision Transformer en gaf het een waarschijnlijkheid dat glaucoom aanwezig was. De onderzoekers onderzochten vervolgens hoe meerdere waarschijnlijkheden het beste tot een enkele screeningsbeslissing konden worden teruggebracht. Het eenvoudige gemiddelde van de gekozen beelden gaf de meest betrouwbare resultaten, iets beter dan vertrouwen op alleen de meest extreme waarde. Al met al behaalde deze pijplijn—beeldselectie door de binaire classifier, gevolgd door per-beeld voorspelling en middelen—een hoge capaciteit om glaucoom van niet-glaucoomgevallen te scheiden. Getest op een afzonderlijke dataset van Chinese patiënten presteerde het model nog steeds goed, en aanvullende experimenten toonden aan dat het gebruik van een grotere trainingsset cruciaal was voor deze overdracht tussen groepen.

Wat dit voor patiënten kan betekenen

De studie laat zien dat een zorgvuldig ontworpen AI-pijplijn, getraind op een grote set oogbeelden van personen van Afrikaanse afkomst, mensen die mogelijk glaucoom hebben nauwkeurig kan signaleren met alleen eenvoudige foto’s. Hoewel het systeem nog niet de zeer strikte drempels bereikt die sommige organisaties voor volwaardige diagnostische hulpmiddelen aanbevelen, is het goed geschikt als voor-screening op locaties waar oogspecialisten schaars zijn. Met verdere validatie op meer diverse populaties en camera’s, en mogelijke integratie met andere oogtests, zou dergelijke technologie op een dag kunnen worden ingezet in huisartsenpraktijken, gemeenschapsevenementen of gezondheidscentra op het platteland. Het doel is helder: glaucoom eerder opsporen, personen met risico naar specialisten verwijzen en vermijdbare blindheid voorkomen—vooral in gemeenschappen die het meest zijn getroffen.

Bronvermelding: Li, S., Salowe, R., Lee, R. et al. Development of deep learning model to screen for primary open-angle glaucoma in African ancestry individuals. npj Digit. Med. 9, 214 (2026). https://doi.org/10.1038/s41746-025-02318-2

Trefwoorden: glaucoomscreening, kunstmatige intelligentie, retinale beeldvorming, gezondheid bij Afrikaanse afkomst, deep learning in de geneeskunde