Visuele informatie uit Street View-beelden (SVI) kan worden gebruikt om specifieke blootstellingsgegevens te onttrekken of rechtstreeks te koppelen aan gezondheidsuitkomsten. Voortbouwend op de basis die we in fase 1 hebben gelegd (Yuan et al.), maakt dit project gebruik van geavanceerde segmentatie en objectdetectie om blootstellingsmodellering en epidemiologisch onderzoek te verbeteren.
Tijdens de eerste fase van Exposome-NL hebben we Google Street View-beelden verzameld van alle Nederlandse gemeenten met meer dan 50.000 inwoners. Met behulp van een Pyramid Scene Parsing Network (PSPNet) dat vooraf was getraind op de ADE20K-dataset, hebben we deze beelden gesegmenteerd in 150 klassen om pixelpercentages te berekenen voor kenmerken zoals bomen, gras en wegen. Deze gegevens zijn al gebruikt om schattingen van blootstelling aan omgevingsfactoren te verfijnen en de gezondheidseffecten daarvan te bestuderen.
In de toekomst breiden we ons raamwerk uit door ‘zero-shot’ objectdetectie te implementeren om specifieke omgevingselementen te identificeren, waaronder luchtverontreinigende stoffen, hitte, geluid en de voedselomgeving. Daarnaast zullen we deep learning inzetten om beelden te koppelen aan gezondheidsdatasets, waardoor nieuwe visuele kenmerken aan het licht komen die variaties in gezondheidseffecten verklaren.
De omgeving waarin we leven heeft een dominante invloed op onze gezondheid. Het verklaart naar schatting zeventig procent van de chronische ziektelast. Waar we wonen, wat we eten, hoeveel we bewegen, de lucht die we inademen en met wie we omgaan; al deze omgevingsfactoren spelen een rol. De combinatie van deze factoren gedurende de levensloop wordt het exposoom genoemd. Er is algemene (wetenschappelijke) consensus dat meer inzicht in het exposoom de huidige ziektelast zal helpen verklaren en dat het aanknopingspunten biedt voor preventie ...
Lees Meer
