Een tijdens-test klinisch adaptief kader voor het detecteren van meerdere fundusziekten met behulp van oftalmologische foundation-modellen

Waarom slimmer oogscreening ertoe doet

Miljoenen mensen wereldwijd lopen het risico hun gezichtsvermogen te verliezen door aandoeningen zoals diabetes, glaucoom en leeftijdsgebonden veranderingen in het achterste deel van het oog. Artsen kunnen veel van deze problemen opsporen op foto’s van het ooginterieur, zogenoemde fundusbeelden, maar het zorgvuldig nakijken van elke opname kost veel tijd, zeker wanneer meerdere ziekten gelijktijdig kunnen voorkomen. Deze studie presenteert RetExpert, een nieuw systeem voor kunstmatige intelligentie (AI) dat werkt als een veelzijdige oogspecialist: het kan meerdere retinale aandoeningen tegelijk screenen, omgaan met rommelige real‑world data en zich tijdens gebruik aanpassen aan verschillende klinieken en camera’s.

Veel oogproblemen tegelijk zien

Typische AI‑hulpmiddelen voor oogscreening worden getraind om slechts één ziekte tegelijk te detecteren en veronderstellen vaak dat beelden sterk lijken op die uit de trainingsset. In echte klinieken is dat anders. Patiënten hebben vaak meer dan één oogaandoening, ziektelabels in datasets zijn incompleet en camera’s en populaties verschillen per locatie. RetExpert pakt dit aan door te bouwen op “foundation‑modellen”, grote visuele systemen die eerst zijn voorgetraind op enorme verzamelingen retinale beelden. Deze foundation‑modellen begrijpen al veelvoorkomende patronen in fundusfoto’s, zoals bloedvaten, de oogzenuw en de macula. RetExpert zet de bouwblokken van zo’n model om in “adaptieve kennisunits” en voegt kleine adapterlagen toe die fijn afgesteld kunnen worden voor multi‑ziekte screening zonder de waardevolle, reeds geleerde kennis te verstoren.

Betere omgang met onevenwichtige en onzekere data

Reële medische data zijn vaak ongebalanceerd: veelvoorkomende aandoeningen zoals diabetische retinopathie komen veel vaker voor dan zeldzame aandoeningen. Als een AI‑model naïef wordt getraind, zal het zich te veel richten op frequente condities en zeldzame maar belangrijke aandoeningen verwaarlozen. RetExpert gebruikt een trainingsaanpak die extra aandacht schenkt aan ondervertegenwoordigde ziekten, zodat de prestaties bij zeldzame bevindingen niet instorten. Het systeem erkent ook dat sommige voorspellingen van nature onzekerder zijn dan andere. In plaats van één algemene betrouwbaarheidscore te geven, schat RetExpert voor elke aandoening afzonderlijk een onzekerheidsscore. Deze aandoening‑per‑aandoening blik sluit beter aan bij de manier waarop clinici denken en stelt het model in staat kwetsbare voorspellingen voorzichtig te behandelen tijdens latere aanpassingsstappen.

Verminderen van verwarring tussen vergelijkbare ziekten

In de praktijk kunnen sommige retinale ziekten op elkaar lijken, en het kan vooral schadelijk zijn als een AI‑model met hoge zekerheid tegenstrijdige antwoorden geeft—bijvoorbeeld door dezelfde afbeelding zowel “normaal” als “maculadegeneratie” te noemen. Om dit aan te pakken bouwden de auteurs een co‑occurrencematrix voor fundusziekten, een gestructureerde samenvatting van hoe waarschijnlijk het is dat ziekteparen samen voorkomen, gebaseerd op medische kennis en statistieken. Tijdens training leert RetExpert zijn output‑kansen af te stemmen op deze medisch verantwoorde relaties. Het team introduceerde ook een “verwarringsscore” die meet hoe vaak het model specifieke ziekteparen door elkaar haalt. Met de co‑occurrence informatie daalde de verwarring tussen lastige paren, zoals maculadegeneratie en hoge myopie, met meer dan een derde, waardoor voorspellingen betrouwbaarder worden voor klinisch gebruik.

Zich tijdens de test aanpassen

Een van de grootste obstakels voor het inzetten van AI in meerdere ziekenhuizen is „domeinverschuiving”: beelden van een nieuwe kliniek kunnen afwijken door verschillende patiëntengroepen, cameratypes of beeldinstellingen. Conventionele systemen moeten worden hertraind of uitgebreid fijn afgestemd telkens wanneer ze naar een nieuwe omgeving verhuizen, wat kostbaar en traag is. RetExpert voert in plaats daarvan lichte aanpassingen tijdens gebruik uit. Wanneer het een batch nieuwe beelden tegenkomt, past het kort alleen zijn kleine adapterlagen en de uiteindelijke beslissingslaag aan, eerst geleid door hoe stabiel zijn eigen kenmerken zijn en daarna door pseudo‑labels gewogen met de per‑ziekte onzekerheidsschattingen. Cruciaal is dat deze updates tijdelijk zijn en na elke batch worden gereset, zodat het kernmodel niet verschuift in de loop van de tijd, waardoor veiligheid en reproduceerbaarheid behouden blijven terwijl het toch korte‑termijn flexibiliteit wint.

Hoe goed werkt het in de praktijk?

De auteurs testten RetExpert op twee grote multi‑ziekte datasets die voor ontwikkeling werden gebruikt en daarna op 15 extra publieke en private datasets verzameld uit verschillende landen, camera’s en klinische settings. Voor de meeste taken—waaronder detectie van diabetische retinopathie, leeftijdsgebonden maculadegeneratie, glaucoom, myoopgerelateerde veranderingen en oculaire toxoplasmose—haalde RetExpert gelijke of betere prestaties dan de huidige toonaangevende retinale foundation‑modellen. Het toonde ook betere betrouwbaarheid, met lagere verwarringsscores en sterkere resultaten op uitdagende „out‑of‑distribution” datasets die nieuwe ziekenhuizen en apparaten nabootsen. Hoewel sterk gespecialiseerde single‑disease systemen nog steeds iets beter kunnen zijn voor die ene aandoening, verkleint RetExpert de kloof terwijl het brede multi‑ziekte dekking in één geïntegreerd hulpmiddel biedt.

Een stap naar betrouwbare geautomatiseerde oogcontroles

In gewone bewoordingen is RetExpert als een ervaren algemeen oogarts gebouwd op een grote gedeelde kennisbasis, uitgerust met middelen om zeldzame aandoeningen te behandelen, toe te geven wanneer het onzeker is en snel aan te passen aan nieuwe klinieken zonder constant hertrainen. Door deze elementen te combineren—adaptieve modules, onzekerheidsbewuste leerprincipes, medische priorkennis en test‑tijdaanpassing—levert het kader nauwkeurigere en betrouwbaardere multi‑ziekte screening op basis van eenvoudige kleurenfoto’s van het achterste deel van het oog. Als het verder ontwikkeld en gevalideerd wordt, zouden zulke systemen vroegtijdigere opsporing van ziendermende aandoeningen op schaal kunnen ondersteunen, vooral in omgevingen waar toegang tot oogspecialisten beperkt is.

Bronvermelding: Jiang, H., Liu, Z., Gao, M. et al. A test-time clinically adaptive framework for detecting multiple fundus diseases harnessing ophthalmic foundation models. npj Digit. Med. 9, 300 (2026). https://doi.org/10.1038/s41746-026-02480-1

Trefwoorden: retinale beeldvorming, medische AI, screening voor meerdere ziekten, foundation-modellen, domeinaanpassing