Een AI-algoritme kan nauwkeurig het risico voorspellen dat longknobbeltjes zullen uitgroeien tot tumoren, dat schrijven onderzoekers van het Radboudumc in het wetenschappelijke blad Radiology. Op basis van een deep learning-algoritme kan de kunstmatige intelligentie patronen beter vinden en herkennen, wat radiologen kan helpen om de kans op kwaadaardige longknobbeltjes bij patiënten beter in te schatten.
Longkanker bij mannen en vrouwen is volgens het academische ziekenhuis Radboudumc de belangrijkste doodsoorzaak. Daarom is het belangrijk om al vroeg knobbeltjes of potentiële tumoren in de longen te detecteren. Als mensen met een verhoogd risico op longkanker, waaronder zware rokers, zich laten onderzoeken door een lage dosis CT-scan, dan kan sterfte door longkanker aanzienlijk verminderen. De kans op een succesvolle behandeling wordt alleen maar groter als een tumor in een vroeg stadium ontdekt kan worden.
Het probleem bij dergelijke CT-scans is wel dat de meeste knobbeltjes die er zichtbaar op zijn op, vaak goedaardige knobbeltjes zijn die met rust mogen worden gelaten. De kwaadaardige knobbeltjes zijn echter wel belangrijk om aan te pakken, maar daarvoor moet er een duidelijk onderscheid zijn tussen wat als goed- of kwaadaardig geldt.
Deep learning
‘Deep Learning for Malignancy Risk Estimation of Pulmonary Nodules Detected at Low-Dose Screening CT’, zo heet de studie van de onderzoekers van het Nederlandse academisch ziekenhuis onlangs publiceerden in Radiology. Voor het onderzoek ontwikkelden de academici een algoritme dat longknobbels beoordeelt met behulp van deep learning, een AI-techniek die patronen in aangeleverde beelden zelf steeds beter leert te vinden en herkennen.
De onderzoekers trainden het algoritme door het CT-beelden te laten zien van meer dan 16.000 knobbeltjes, medische gegevens die afkomstig zijn van de National Lung Screening Trial in de Verenigde Staten. Van die knobbeltjes bleken er meer dan duizend van kwaadaardige aard te zijn, de rest goedaardig. Nadat het algoritme genoeg gevoed werd met informatie, werd het achteraf nog eens getest op drie grote bestanden met beeldgegevens van knobbeltjes uit de Deense longkanker screeningstudie, de Danish Lung Cancer Screening Trial. Op die manier zouden de onderzoekers goed kunnen beoordelen hoe het algoritme in de praktijk functioneert.
Nauwkeurig
Dat bleek uitstekend te verlopen, zo vertelt onderzoeker bij de afdeling Radiologie en Nucleaire Geneeskunde en coördinator van de studie Colin Jacobs. “Het deep learningalgoritme deed het uitstekend,” vertelde hij. “Het presteerde bijvoorbeeld beter dan het gevestigde Pan-Canadese Early Detection of Lung Cancer-model dat ook het risico inschat op maligniteit van de longknobbels. En het presteerde vergelijkbaar als de elf clinici die de gegevens beoordeelden, onder wie vier longradiologen, vijf radiologen en twee longartsen.”
Volgens andere onderzoekers van de studie is het algoritme bijzonder nauwkeurig bij de inschatting van de kans op kwaadaardige longknobbeltjes, waardoor de screening op longkanker verder te optimaliseren valt. Bovendien kan het algoritme op een meer objectieve manier kijken naar wat een goed- of kwaadaardig knobbeltje in de longen kan zijn. Volgens Kiran Vaidhya Venkadesh, een andere auteur van de studie, treedt er tegenwoordig nog steeds te veel interpretatie en discussie op tussen radiologen. Het (objectieve) algoritme kan de doorbraak vormen in een beslissing of interpretatie van een arts, luidt de logica.
Nog meer leren
Toch kan de kunstmatige intelligentie nog slimmer worden door ook rekening te houden met andere gegevens die een invloed kunnen hebben op de diagnose, zoals leeftijd, geslacht en rookgeschiedenis. Het algoritme is momenteel ook heel geschikt voor een initiële screening, maar zou nog beter moeten worden in volgende screeningsrondes bij patiënten. “groei en uiterlijk van die knobbeltjes in vergelijking met de vorige CT zijn ook heel belangrijk,” zegt Jacobs. “We werken nu aan een deep learning-algoritme waarbij de ontwikkeling in die knobbeltjes, gebaseerd op meerdere CT-onderzoeken, ook goed meegenomen worden in de risico-inschatting.”
Plaats een Reactie
Meepraten?Draag gerust bij!