Computationele pathologie, zo wordt kunstmatige intelligentie voor het vakgebied van de pathologie genoemd. Het kan de diagnostiek aanzienlijk verbeteren en werkprocessen efficiënter en nauwkeuriger maken. Maar de kloof tussen het onderzoekslaboratorium en de klinische praktijk is een lastige om te overbruggen, zegt onderzoeker Francesco Ciompi van het Radboudumc. In een nieuw overzichtsartikel, gepubliceerd in Nature Medicine, gaat Ciompi met collega’s in op implementatie-uitdagingen en mogelijke oplossingen om deze kloof te overbruggen. “We willen hoop van hype onderscheiden.”
Pathologie is het fundament van de behandeling van ziekten zoals kanker en auto-immuunziekten. Pathologie is gebaseerd op het onderzoek van weefselmonsters onder een microscoop, waarbij een patholoog cellen of weefsels onderzoekt om vast te stellen of er sprake is van afwijkingen.
De pathologie leunt sterk op de kwalitatieve interpretatie van weefselcoupes – een dun plakje weefsel dat op een glazen plaatje wordt geplakt – door een gekwalificeerde patholoog. Op dat vlak vond in de afgelopen jaren een ware revolutie plaats. De digitalisering van weefselcoupes betekende dat beelden niet alleen gedeeld en geopend kunnen worden op locatie, maar dat ze ook door computers kunnen worden verwerkt.
Waar pathologen eerst gebruik maakten van optische microscopen, gaat dit nu steeds meer digitaal via de computer. De digitalisering van de pathologie zette de deur open voor kunstmatig intelligente (AI) algoritmen om pathologen te helpen bij hun dagelijkse taken, bijvoorbeeld diagnostiek van borstkanker.
Onderzoeker Francesco Ciompi werkt bij de Diagnostic Image Analysis Group van het Radboudumc en houdt zich bezig met onderzoek naar digitale pathologie en AI-systemen. “Anno 2021 zijn er meer en meer algoritmes die even goed of beter presteren dan pathologen in het herkennen van afwijkingen in weefsels. Er zijn commerciële oplossingen beschikbaar voor bijvoorbeeld de detectie van borstkanker of prostaatkanker.”
Game changer
De game changer voor zijn vakgebied was de Camelyon Challenge, een internationale competitie georganiseerd door het Radboudumc waar ruim twintig onderzoeksgroepen uit de hele wereld aan mee deden. Het doel: een computeralgoritme maken dat zelfstandig een diagnose kan stellen op basis van aangeleverde pathologiebeelden. Het beste algoritme kon net zo goed uitzaaiingen vinden als de patholoog die zonder tijdsdruk werkte, aldus Ciompi, en het algoritme overtrof daarmee de pathologen die de preparaten beoordeelden in een realistische werksituatie. Die internationale competitie leidde tot nieuwe universitaire onderzoekslijnen, startups gericht op AI-toepassingen in de pathologie, en veelbelovende onderzoeken.
Toch zijn er anno 2021 nog maar weinig algoritmen die in de klinische praktijk worden gebruikt, aldus Ciompi. Met zijn Radboudumc-collega’s professor Jeroen van der Laak en Geert Litjens schreef hij een overzichtsartikel om ‘hoop van hype te onderscheiden’. Wat zijn de grootste huidige obstakels bij het gebruiken van kunstmatige intelligente software voor de pathologie?
Schaalbaarheid en robuustheid
Ciompi somt de grootste uitdagingen op. “Het vertalen van onderzoeks-algoritmes naar de klinische praktijk is er één. Hoewel de omvang van de datasets voor het ontwikkelen van algoritmen de afgelopen jaren aanzienlijk is gegroeid, zijn ze vaak niet representatief voor het type data dat in de klinische praktijk wordt aangetroffen.”
De beperkte generaliseerbaarheid van algoritmen is waarschijnlijk het belangrijkste obstakel voor de grootschalige implementatie van AI-toepassingen in de kliniek. “Schaalbaarheid en robuustheid van algoritmes zijn een uitdaging. Hoe zorgen we ervoor dat veelbelovende toepassingen kunnen ingezet worden in alle ziekenhuizen wereldwijd? Dat is een grote uitdaging. Het is dé vraag waar we ons op moeten richten.”
Ook de validatie van algoritmes blijft een uitdaging. Na een interne validatie door een ontwikkelaar, in een testsetting, volgt een externe validatie van de software. Met die externe validatie wordt onderzocht hoe het algoritme presteert op een andere dataset, bijvoorbeeld van andere ziekenhuizen of openbaar beschikbare datasets. “De laatste stap is een prospectieve validatie of klinisch onderzoek. Naarmate AI-algoritmen het proces van diagnostische besluitvorming mogelijk beïnvloeden – in plaats van alleen gericht te zijn op het verhogen van de efficiëntie of werkprocessen – zijn gerandomiseerde klinische onderzoek nodig. Maar die zijn momenteel nog zeer zeldzaam voor AI-toepassingen” aldus Ciompi.
Binnen het Radboudumc wordt ook onderzocht hoe AI-toepassingen gebruikt kunnen worden. “We zijn nog niet zo ver dat we computeralgoritme in de dagelijkse patiëntenzorg inzetten. Neem een pilot met de afdeling pathologie. Daarin onderzochten we hoeveel tijd het kost om het algoritme beelden te laten analyseren, wat de beoordeling van het weefsel is volgens het systeem, en dit te vergelijken met de beoordeling van de patholoog en de tijd die de reguliere zorg kost.”
“Wat we van deze pilot leerden is dat het niet makkelijk is om een eerlijke vergelijking te maken tussen patholoog en AI-algoritme. Aantonen dat de software kan helpen om tijd te besparen is lastig. Je hebt een duidelijk werkprotocol nodig, en iedere patholoog werkt net weer anders. Of de software kan bijdragen aan een betere kwaliteit van diagnose, is ook lastig om te beoordelen. Daarvoor is een langlopende studie nodig en die zijn complex om op te zetten en erg kostbaar.”
BIGPICTURE
Om deze implementatie-uitdagingen voor AI-ontwikkeling in de pathologie te tackelen, wordt er in Europees verband een zesjarig project van € 70 miljoen genaamd BIGPICTURE gestart in februari 2021. In deze publiek-private samenwerking werken Europese onderzoekscentra, ziekenhuizen en grote farmaceutische industrieën samen aan een opslagplaats voor het delen van pathologische gegevens.
Het is een ambitieus project: BIGPICTURE wil het eerste Europese, AVG-conforme platform creëren, om de snelle ontwikkeling van AI in pathologie mogelijk te maken. “Het moet de grootste database van pathologiebeelden worden, met meer dan drie miljoen beelden. Het Radboudumc leidt dit project als coördinator. Doel is het creëren van een unieke dataset van waardevolle digitale pathologiegegevens - digitale dia's, klinische gegevens en annotaties - die kunnen worden gebruikt voor onderzoek."
Plaats een Reactie
Meepraten?Draag gerust bij!