Toepassingen van computer vision in vaatchirurgie: een systematische review en kritische waardering

Slimme camera's voor vaatchirurgen

Artsen die bloedvaten behandelen vertrouwen sterk op medische beelden, van scans tot eenvoudige foto’s van wonden. In de afgelopen jaren heeft computer vision — software die beelden “ziet” en interpreteert — zo snel vooruitgang geboekt dat het soms kan tippen aan medische experts. Dit artikel bekijkt honderden studies om te zien hoe deze afbeeldingslezende hulpmiddelen worden ingezet in de vaatchirurgie, hoe goed ze presteren, en wat er nog moet verbeteren voordat ze artsen veilig kunnen ondersteunen bij de zorg voor patiënten.

Waar het onderzoek snel groeit

De auteurs doorzochten grote medische en technische databanken en vonden 288 studies, met een explosie aan werk na 2017 en een nieuwe golf in 2024–2025. De meeste projecten analyseerden bestaande beelden in plaats van patiënten prospectief te volgen. Onderzoekers richtten zich vooral op drie problemen: ballonvorming van de hoofdslagader (aorta-aneurysma’s en-dissecties), vernauwing van de halsslagaders naar de hersenen, en moeilijk genezende voetzweren, met name bij diabetes. Daarentegen werden aandoeningen zoals geblokkeerde beenslagaders en veneuze ziekten — alledaagse problemen in vaatklinieken — zelden bestudeerd, hoewel ze pijn, beperkingen en amputaties kunnen veroorzaken.

Waar de computers eigenlijk naar kijken

In de studies kregen computers veel verschillende beeldtypen te verwerken. Voor aortaziekte gebruikte men vooral CT-scans; voor halsslagaderziekte leunde men op echografie; voor voetzweren werd vooral vertrouwde foto- en warmtesensorinformatie gebruikt. De meest gebruikte instrumenten waren moderne deep-learning-netwerken, met name U‑Net en andere convolutionele neurale netwerken, soms gecombineerd in ensembles. Deze systemen kregen doorgaans de taak structuren af te bakenen (zoals het binnenkanaal en de wand van een slagader, of de randen van een wond), afmetingen te meten of beelden te classificeren als “ziek” of “gezond.” Veel modellen presteerden op papier indrukwekkend en benaderden soms specialistische artsen bij taken zoals het meten van aneurysmagewicht of het volgen van het oppervlak van een voetzweer.

Hoe betrouwbaar en eerlijk zijn deze tools?

Ondanks veelbelovende resultaten vond de review ernstige zorgen over hoe deze systemen zijn ontwikkeld en getest. Slechts een minderheid gebruikte externe data van andere ziekenhuizen, wat cruciaal is om te laten zien dat een model in de echte wereld werkt en niet alleen op de eigen dataset. Veel artikelen slaagden er niet in basismaatregelen tegen overfitting toe te passen, zoals aparte validatiesets of controle op klasse-ongelijkheid, en sommige evalueerden prestaties zelfs op precies dezelfde beelden die voor training waren gebruikt. Standaardmanieren om resultaten te rapporteren waren ongelijk: voor contourtaken rapporteerde ongeveer de helft een veelgebruikte overlapscore, en voor ja/nee-voorspellingen gebruikte minder dan één op de vijf de robuustere AUROC-maat. Heel weinig studies onderzochten of hun systemen zich anders gedragen tussen patiëntengroepen of verschillende beeldvormingsapparaten, waardoor vragen over eerlijkheid en generaliseerbaarheid blijven bestaan.

Leemtes in wat bestudeerd wordt

Het patroon van onderzoek weerspiegelt niet de dagelijkse behoeften van patiënten. Het merendeel van het werk concentreert zich rond aorta, halsslagaders en diabetische voetziekte — gebieden met overvloedige beelddatasets en duidelijke taken. Ondertussen blijft perifere arteriële ziekte in de benen, die vaak mensen uit raciale minderheden en lager inkomensgroepen treft, onderbelicht. De auteurs stellen dat computer vision hier bijzonder nuttig kan zijn door te voorspellen welke patiënten verslechteren en door complexe scoringssystemen te automatiseren die nu te veel tijd kosten in drukke klinieken. Een andere over het hoofd geziene kans is software die contrastvloeistof in scans kan nabootsen zonder patiënten — van wie velen nierproblemen hebben — bloot te stellen aan potentieel schadelijke stoffen; slechts een handvol vaatstudies heeft dat geprobeerd.

De lat hoger leggen voor toekomstig werk

Om kwaliteit te beoordelen pasten de auteurs twee gevestigde checklists toe die bias en rapportage in predictiestudies meten. Slechts ongeveer één op de vijf recentere studies scoorde als laag risico op bias, en de algehele naleving van rapportagestandaarden bleef net boven de helft, hoewel het in de loop van de tijd is verbeterd. Veelvoorkomende tekortkomingen waren onder meer onduidelijke beschrijvingen van hoe de “grondwaarheid”-labels zijn gemaakt, gebrek aan transparantie over datasources, ontbrekende informatie over hoe modelinstellingen zijn gekozen, en vrijwel geen betrokkenheid van patiënten of publieke belanghebbenden. De auteurs dringen er bij onderzoekers op aan deze richtlijnen al in de planningsfase te volgen, consistente prestatienormen te gebruiken (dice voor contouren, AUROC voor ja/nee-beslissingen), data en code te delen wanneer mogelijk, en prospectieve trials op te zetten die testen of computer vision-tools echt de uitkomsten voor patiënten verbeteren.

Wat dit betekent voor patiënten en clinici

Samenvattend schetst de review het beeld van krachtige afbeeldingslezende hulpmiddelen die nog vroeg in hun traject van laboratorium naar kliniek zitten. Computer vision in de vaatchirurgie toont al aan dat het vaatproblemen en wonden met indrukwekkende nauwkeurigheid kan opsporen, afbakenen en meten onder gecontroleerde omstandigheden. Maar totdat studies de echte klinische praktijk beter weerspiegelen, diverse patiënten meenemen en strengere kwaliteitsnormen halen, blijven deze systemen vooral onderzoekscuriosa in plaats van vertrouwde partners in de zorg. Als ontwikkelaars en clinici deze problemen aanpakken, kan computer vision een routinehulp worden die diagnoses versnelt, complexe beslissingen ondersteunt en de toegang tot specialistische beoordeling voor mensen met vaatziekten vergroot.

Bronvermelding: Liyanage, A., Li, B., Yi, J. et al. Computer vision applications in vascular surgery: a systematic review and critical appraisal. npj Digit. Med. 9, 260 (2026). https://doi.org/10.1038/s41746-026-02427-6

Trefwoorden: computer vision in vaatchirurgie, AI voor medische beeldvorming, aorta- en halsslagaderziekten, diabetische voetulcera, perifere arteriële ziekte