AI-model vermindert fouten bij oogonderzoeken drastisch

Onderzoekers hebben onlangs een algoritme voor kunstmatige intelligentie ontwikkeld dat visionaire problemen mogelijk nauwkeuriger kan diagnosticeren dan de klassieke zichttesten die momenteel door artsen worden gebruikt. Volgens Science kan de nieuwe test de diagnostische fout bij oogonderzoeken met ongeveer 74% verminderen.

Oogartsen gebruiken al decennialang dezelfde zichttest, de klassieke oogtest op basis van kaarten met letters en symbolen van verschillende grootte. De resultaten van de test zijn afhankelijk van de interpretatie van de oogarts, en er kunnen natuurlijk fouten optreden bij het interpreteren van de resultaten en het stellen van een diagnose. Onderzoekers van de Stanford University probeerden deze tests te verbeteren met een algoritme voor kunstmatige intelligentie.

Volgens een computerwetenschapper aan de Stanford University, Chris Piech, is een van de problemen met de traditionele tests dat de letters te vaag worden voor de testpersoon om te zien, waardoor de testpersoon gaat raden naar de letters. Dit raden betekent dat de resultaten van de test kunnen variëren als iemand de test meerdere keren afneemt. Om een test met betere nauwkeurigheid en reproduceerbaarheid te ontwikkelen, creëerden Piech en zijn collega’s een online test, waarbij de resultaten van de test werden gebruikt om een model voor kunstmatige intelligentie te trainen. De online test loodst de gebruiker eerst door het proces van het kalibreren van hun scherm. Nadat het scherm is gekalibreerd, voert de gebruiker zijn afstand tot het scherm in en vervolgens toont het programma een letter “E” die in verschillende oriëntaties verschijnt. Nadat dit is gedaan, wijst het model de gebruiker een zichtscore toe op basis van een statistisch model. Het programma stelt 20 vragen voor elk oog, waarna het zijn zichtscore bijwerkt en vervolgens een voorspelling doet op basis van de zichtscore.

Het onderzoeksteam voerde hun model uit in 1000 computersimulaties die de invoer van echte patiënten simuleerden. De computersimulatie werkt door vooraf te worden ingesteld met een bekende zichtscherpte-score en vervolgens de soorten fouten te maken die een persoon zou maken bij het afnemen van de test. De onderzoekers voerden de tests op deze manier uit omdat voor elke test een “echte” zichtscherpte-score bestaat, wat niet het geval is wanneer een mens de test afneemt. Volgens de onderzoekers kon hun model de diagnostische fout met ongeveer drie kwart (74%) verminderen in vergelijking met de klassieke zichttesten. Ondanks deze vrij indrukwekkende resultaten, waarschuwen Piech en zijn collega’s dat het model niet bedoeld is om artsen te vervangen, maar eerder als een instrument dat artsen mogelijk kunnen gebruiken om de nauwkeurigheid van een diagnose te verbeteren.

Oogarts Mark Blecher zei tegen Science dat, hoewel het programma een nuttige en slimme implementatie van modellen voor kunstmatige intelligentie in de oogheelkunde is, de onderzoekers ook rekening moeten houden met dingen zoals de omgeving waarin de testpersoon de test afneemt, aangezien deze kenmerken de testresultaten ook kunnen beïnvloeden. Bovendien denkt Blecher dat de onderzoekers mogelijk moeite zullen hebben om oogartsen ertoe te bewegen hun nieuwe model te gebruiken en overeen te komen over een nieuwe standaard, aangezien de status quo moeilijk te veranderen is.

Het onderzoek van Piech en zijn collega’s is niet de enige recente ontwikkeling met betrekking tot zowel kunstmatige intelligentie als zicht. Onlangs ontwikkelde Google (GOOGL ) een model voor kunstmatige intelligentie dat soms beter kan presteren dan klinici bij het identificeren van veelvoorkomende oogaandoeningen die tot verlies van het zicht kunnen leiden. Google DeepMind werkte samen met het Moorfields Eye Hospital om een model te ontwikkelen dat de kans dat een patiënt een ernstige vorm van maculadegeneratie kan ontwikkelen, betekenisvol kan voorspellen. Elders ontwikkelde een Israëlische startup met de naam AEYE Health met behulp van computerzichttechnieken en machine learning retinascanners die mogelijk basale, nauwkeurige herkenning van veelvoorkomende oogaandoeningen kunnen doen, waarbij de patiënt naar een arts wordt verwezen als de diagnose positief is.