Berichten

Software herkent longkanker in CT-scans “net zo goed of beter” dan radiologen

Een onderzoek afkomstig van Google – afgelopen maandag gepubliceerd in Nature – doet veel stof opwaaien in de internationale pers. Een team van Google ontwikkelde een kunstmatig intelligent algoritme dat op CT-scans van longen zogeheten kleine nodules – afwijkingen of ‘knobbeltjes’ – betrouwbaar kan detecteren. Google doet dat naar eigen zeggen beter dan menselijke radiologen. Wat betekent dat voor longkankerscreening?

Nodules kunnen potentieel kwaadaardig zijn en tot longkanker kunnen leiden. Vroeg detecteren is daarom belangrijk. In een later stadium van de kanker wordt het succes van de behandelopties minder, of met de weinig verhullende medisch jargon, de survival rate is laag. Op computertomografie (CT) -scans kan een radioloog met een getraind oog longnodules opmerken. Een team van Google ontwikkelde een algoritme dat deep learning gebruikt om nodules op te sporen.

Openbare datasets

Onlangs publiceerde Google een nieuw artikel in Nature over de werking van het algoritme. Google gebruikte 42.000 CT-scans van drie openbare datasets en een gelicenseerde dataset van Northwestern Medicine om het deep learning model te trainen. Volgens onderzoeker Danial Tse leverde het algoritme 11% minder vals positieven en 5% minder vals negatieve uitkomsten in vergelijking met de radiologen:

When prior computed tomography imaging was not available, our model outperformed all six radiologists with absolute reductions of 11% in false positives and 5% in false negatives. Where prior computed tomography imaging was available, the model performance was on-par with the same radiologists.

Dus zonder eerdere CT-beelden van patiënten te bekijken scoorde het algoritme beter dan de menselijke radioloog in de voorspelling welke kans de patiënt had op longkanker. Met behulp van een huidige en eerdere CT-scan van de patiënt waren radioloog en algoritme even accuraat. Wel benadrukt het techologiebedrijf dat het algoritme nog gevalideerd moet worden bij grotere patiëntenpopulatie en op andere datasets dan de openbare en gelicenseerde dataset.

Lees het volledige artikel op smarthealth.live.

onderzoeker Francesco Ciompi. Ciompi werkt aan de Diagnostic Image Analysis Group van het Radboudumc

Kunstmatige intelligentie en digitale pathologie in het Radboudumc

[Dit artikel verscheen eerder op SmartHealth.nl]

Software is inmiddels beter in het herkennen van weefselbeelden dan een ervaren patholoog, zegt onderzoeker Francesco Ciompi. Ciompi werkt aan de Diagnostic Image Analysis Group van het Radboudumc, en houdt zich bezig met onderzoek naar digitale pathologie en AI-systemen.

In het laboratorium van de onderzoeksgroep van het Radboudumc wordt weefsel onderzocht, voornamelijk van tumoren. Tumoren en biopten worden in dunne plakjes gesneden, gekleurd met chemicaliën en op een zogeheten coupe geplaatst. Die coupe wordt vervolgens gescand. Zo wordt een digitaal pathologie-beeld gecreëerd.

Het digitaliseren van pathologie-beelden is relatief nieuw. Decennia werden cellen door een microscoop met het getrainde oog van de patholoog bekeken. Door het digitaliseren van weefsel kunnen pathologen en onderzoekers de kracht van computers inzetten om deze beelden te analyseren. “We gebruiken deze digitale pathologie voor het opsporen van kanker, de segmentatie van kankergebieden en cellen, en het bestuderen van relaties tussen kankercellen en andere cellen”, aldus Ciompi.

Hulp van AI

De onderzoeker is enorm enthousiast over de mogelijkheden die kunstmatige intelligentie – en specifiek deep learning – biedt voor medische beelden. “Neem onderzoek naar lymfeklieren als voorbeeld. Bij borstkanker is het mogelijk dat kankercellen zijn uitgezaaid naar de lymfeklieren. In het ziekenhuislab moeten ruim tien of zelfs twintig coupes van die lymfeklieren onderzocht worden op de aanwezigheid van tumorcellen. Een tijdrovend proces, dat minutieus moet worden uitgevoerd.

Ciompi werkt met collega’s aan een computeralgoritme dat zelfstandig een diagnose kan stellen op basis van aangeleverde pathologiebeelden. Dat algoritme kan deze coupes analyseren en vergelijken met duizenden andere beelden van lymfeklieren, op zoek naar afwijkingen. “Techniek kan pathologen helpen om sneller en beter diagnoses te stellen.”

digitale_pathologie kunstmatige intelligentie AI

Ook bij het analyseren en kwantificeren van radiologie-beelden heeft AI grote potentie. Ciompi werkte ook mee aan een kunstmatige intelligent systeem om CT-scans te analyseren bij kankeronderzoek. “Longkanker wordt vaak pas in een late fase ontdekt. Door het analyseren van CT-scans – met hulp van kunstmatige intelligentie – kunnen we afwijkingen in een eerdere fase opsporen.”

Van maanden naar dagen

De van oorsprong Italiaanse Francesco Ciompi kwam in 2013 naar Nederland om als postdoc onderzoeker te werken. Hij heeft in de afgelopen tien jaar het gebied van kunstmatige intelligentie – of AI, artificial intelligence – enorm zien veranderen. “Toen ik startte met mijn onderzoek, duurde het maanden om zogeheten deep learning computermodellen te trainen. Nu is dat een kwestie van dagen of zelfs uren geworden.”

Dankzij de toename van de hoeveelheid data en sprongen op het gebied van computerkracht en graphics processing units, ofwel GPU’s – een grafische processor die nodig is om beelden te analyseren – heeft het vakgebied een enorme boost gehad, vertelt hij. “Met meer data en meer rekenkracht kunnen we nu ook modellen maken die tien jaar geleden niet bestonden. Met deep learning technologie leert een computer patronen herkennen op basis van een groot aantal voorbeelden, zoals pathologie- of radiologiebeelden. Hoe meer lagen we aan een deep learning model toevoegen, hoe meer een model kan leren over de data die je aanlevert.”

Begin 2017 publiceerden onderzoekers van de Amerikaanse Stanford Universiteit in Nature hun bevindingen waarbij een neuraal netwerk een dataset van 129.450 klinische afbeeldingen van huidaandoeningen gebruikte, om melanomen en kwaadaardige tumoren te onderscheiden. Het AI-systeem scoorde even goed als menselijke dermatologen, aldus de Stanford-onderzoekers.

Drie onderzoeksgroepen

In Nederland richten drie grote onderzoeksgroepen in Rotterdam, Utrecht en Nijmegen zich op het toepassen van machine learning voor medische beeldverwerking. Tientallen promovendi, artsen en data scientists werken bij het ErasmusMC, Radboudumc en UMC Utrecht aan algoritmes, en daarmee scoort Nederland op wereldschaal in de top-3 wanneer het om publicaties op dit gebied gaat.

Bij het Radboudumc werd twee keer een internationale competitie georganiseerd 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.

Patiëntenzorg

Maar dat betekent niet direct dat dit computeralgoritme in de patiëntenzorg bij het Radboudumc gebruikt wordt. “We zijn nu bezig met een pilot met de afdeling pathologie, om dit computeralgoritme in te zetten in de kliniek. We onderzoeken hoeveel tijd het kost om het algoritme beelden te laten analyseren, wat de beoordeling van het weefsel is volgens het systeem, en vergelijken dit met de beoordeling van de patholoog en de tijd die de reguliere zorg kost.”

De Diagnostic Image Analysis Group van het Radboudumc houdt zich bezig met onderzoek, niet met het vermarkten van de ontwikkelde computeralgoritmes. Daarvoor ontstaan spin-offs, bedrijven die technologie of kennis vanuit de academie naar het bedrijfsleven brengen. Twee spin-offs van het Radboudumc zijn Thirona en ScreenPoint, ScreenPoint haalde onlangs een investering van ruim 4 miljoen euro op – met behulp van Siemens – om zijn kunstmatig intelligente systeem gericht op mammografie-beelden verder te ontwikkelen.

En wat zegt Ciompi tegen collega’s die bang zijn dat hun baan overbodig wordt als een algoritme het overneemt? “Ik zie kunstmatige intelligentie en algoritmes als systemen die de arts of patholoog kunnen assisteren, met uitkomsten die objectief en reproduceerbaar moeten zijn. Daar werken we hard aan.”

“Besef ook dat algoritme worden beperkt door wat wij een computersysteem leren. Een computeralgoritme kan niet beredeneren zoals wij mensen dat doen, en kent geen menselijke creativiteit.”