Een vroege kankerdiagnose is belangrijk omdat de schade aan het lichaam nog beperkt is en er vaak meer behandelmogelijkheden zijn dan wanneer de ziekte pas in een vergevorderd stadium wordt ontdekt. AI kan artsen hierbij helpen, bijvoorbeeld door de beelden van medische scans te analyseren. Hiervoor worden allerlei algoritmen en AI-tools ontwikkeld. Probleem is echter dat deze algoritmen vaak geëvalueerd worden in versimpelde settings, die de klinische praktijk onvoldoende weerspiegelen.
Met AI kunnen beelden die gemaakt worden door MRI- en CT-scans sneller en soms zelfs beter geanalyseerd worden dan door een radioloog. Dat wil zeggen, bepaalde algoritmen weten afwijkingen te vinden op scans die niet of nauwelijks met het blote oog te zien zijn.
Hierdoor kan AI relatief vroeg tumoren opsporen, wat de uitkomsten van patiënten ten goede komt. Bijvoorbeeld door een eerdere behandeling. Maar die algoritmen werken vaak vooral goed in een simpele context, en houden onvoldoende rekening met de complexiteiten van ‘echte’ medische beelden.
Nieuw onderzoek
Onderzoekers van de University of Sharjah en Khalifa University of Science Technology and Research in de Verenigde Arabische Emiraten (VAR) hebben onlangs de resultaten gepubliceerd van een studie waarin ze verschillende AI-technieken combineerden om de analyse van MRI-beelden van hersentumoren te optimaliseren.1 Tijdens het onderzoek ontwikkelden ze een AI-framework om hersentumoren met hoge nauwkeurigheid op te sporen én te classificeren naar tumortype.
Innovatief hieraan is dat de onderzoekers keken naar de inzet van verschillende soorten AI en de optimale combinatie binnen het diagnostische proces, in plaats van naar één algoritme of tool. Bestaande deep-learningmodellen zijn namelijk slechts in beperkte mate te generaliseren, onder andere vanwege een grote variabiliteit tussen datasets en doordat verschillen tussen tumor-subtypen zeer subtiel kunnen zijn. Het combineren van verschillende AI’s kan een oplossing vormen, aangezien het de mogelijkheid biedt om per stap van het analyseproces de techniek in te zetten die daar qua prestaties het best op aansluit.
Gestandaardiseerde vergelijking
Om de diagnostische waarde van verschillende AI-modellen eerlijk te vergelijken, hanteerden de onderzoekers een gestandaardiseerde werkwijze. De gegevens – 7.023 MRI-beelden – waren afkomstig van gezonde mensen en van patiënten met verschillende typen hersentumoren: glioom, meningeoom of hypofysetumor.
Alle MRI-beelden werden voorafgaand aan de AI-analyse op exact dezelfde manier bewerkt, waarbij onder andere naar een vaste resolutie werd geschaald, het contrast van de beelden werd gecorrigeerd en de intensiteit werd genormaliseerd. Deze werkwijze geeft meer inzicht in hoe de verschillende AI’s de informatie uit de beelden vastleggen en interpreteren, aldus de onderzoekers.
Beeldanalyse in twee stappen
Voor een eerlijke en consistente vergelijking van de diverse AI-systemen verdeelden de onderzoekers de MRI-beeldanalyse in twee stappen. Allereerst werd met AI beoordeeld of er überhaupt een tumor zichtbaar was op de beelden. Als er inderdaad een tumor aanwezig was, werd met AI het type hersentumor bepaald. Hiermee sluit het proces ook aan op de gebruikelijke klinische workflow.
Vervolgens werd de waarde van verschillende AI-technieken getest, waaronder:
- Convolutionele neurale netwerken (CNN’s): deze neurale netwerken worden met name gebruikt voor patroonherkenning, zoals detectie van specifieke objecten op afbeeldingen. De onderliggende architectuur is relatief eenvoudig en de relevantie ervan breed, waardoor CNN’s gebruikt worden in vrijwel elke vorm van machine learning.
- Long Short-Term Memory netwerken (LSTM’s): een relatief snel lerende vorm van Recurrent Neural Networks (RNN) met een geheugen, waardoor het in staat is om eerdere data te ‘herinneren’ en verbinden aan huidige data.
- Vision Transformers (ViT’s): een nieuwe manier waarop neurale netwerken getraind worden met data uit beelden. ViT’s bepalen welke plekken op een beeld belangrijker zijn dan andere, zodat het neurale netwerk daarop kan focussen. Hierbij wordt de attention-aanpak voor Natural Language Processing (NLP) gebruikt.
Mensen hebben de neiging om automatisch bepaalde eigenschappen te prioriteren wanneer ze grote hoeveelheden informatie moeten verwerken. In deep learning wordt dit gedaan met attention-augmentation: een mechanisme zorgt ervoor dat alleen de meest diagnostisch significante kenmerken op de beelden worden meegenomen in de analyse. Het model laat zo bepaalde delen van de beelden zwaarder meewegen, als die delen indicatief blijken voor de aanwezigheid van een specifiek tumortype. Dit maakt de lokalisatie van tumoren op MRI-beelden preciezer.
Optimalisatie AI-framework
Voor het ontwerpen van het AI-framework keken de onderzoekers eerst naar negen CNN-modellen, die ze zowel voor het vaststellen van de aanwezigheid van een tumor als voor de classificatie daarvan testten. Vervolgens werd per taak bepaald welk model het best presteerde, en die werd gebruikt als ruggengraat van het framework. Op dit punt was de nauwkeurigheid voor het vaststellen van de aanwezigheid van een tumor 97,6% en voor de classificatie van het type tumor 90,5%.
Aan deze ruggengraat werd daarna een LSTM-netwerk toegevoegd, waarmee de nauwkeurigheid van het framework steeg tot 98,9% voor het detecteren van een tumor en 96,9% voor de classificatie ervan. Toevoegen van attention-augmentation aan het systeem verbeterde de uitkomsten verder, naar respectievelijk 99,9% en 99,2%.
Met ViT-gebaseerde modellen bereikten de onderzoekers tot slot nauwkeurigheden van 99,9% voor het detecteren van een tumor, en 96,9% tot 96,5% voor de classificatie ervan.
Kracht van verschillende AI’s
Met hun AI-aanpak wisten de onderzoekers dus met hoge nauwkeurigheid hersentumoren te detecteren en typeren. Dit succes is het resultaat van het optimaal benutten van de krachten van de verschillende soorten AI. Elke gebruikte AI-vorm verwerkt namelijk een ander aspect met de beeldinformatie, en is zo complementair: terwijl CNN’s lokale kenmerken van de tumoren herkennen, modelleren de LSTM-netwerken de complexe samenhang tussen kenmerken. En de attention-mechanismen zorgen er op hun beurt voor dat de AI gefocust blijft op de belangrijkste patronen. Volgens de onderzoekers biedt de combinatie van deze technieken een nauwkeurigheid die onbereikbaar is voor afzonderlijke AI-modellen.
Deze resultaten hebben geen directe implicaties voor de klinische praktijk, geven de onderzoekers toe. Maar met deze studie hopen ze wel te tonen dat een gecombineerde AI-aanpak bevorderlijk is voor de nauwkeurigheid van de beeldanalyse. Voordat deze architectuur ingezet kan worden voor de screening van (hersen)tumoren, is verdere validatie nodig. Bijvoorbeeld met datasets uit andere zorgorganisaties, beelden uit meerdere MRI-scanners en gegevens afkomstig uit een diversere patiëntenpopulatie.
Realtime analyse
Maar doet zo’n ingewikkeld systeem er niet veel te lang over om tot een conclusie te komen? Dat valt mee: het kost dit AI-systeem gemiddeld 21,6 milliseconden om te bepalen of er wel of geen tumor te zien is op een MRI-beeld, en daarna nog een luttele 17,6 milliseconden om uit te maken om welk type tumor het gaat. De analyse kan dus in principe in realtime plaatsvinden, zonder substantiële vertraging van de diagnostische work-up. Overigens waarschuwen de onderzoekers wel dat de analyse mogelijk langer duurt bij MRI-beelden van lagere kwaliteit.
Bijkomende uitdagingen bij een complex AI-systeem zijn dat de validatie lastiger is en dat het potentieel ingewikkelder is om te voldoen aan alle relevante wet- en regelgeving. Ook mee te nemen zijn een hevigere technische belasting van de IT-systemen van de organisatie en hogere kosten. Verder zorgt het combineren van verschillende AI-technieken ervoor dat het voor zorgprofessionals moeilijker wordt om de technologie te begrijpen en verklaren.
Daarom bepleiten de onderzoekers om technieken te integreren in het framework die het zorgprofessionals inzicht geven in hoe de AI tot een besluit komt. Bijvoorbeeld door aan te geven welke beeldkenmerken volgens het systeem bepalend zijn voor de uitkomst van de analyse. Dit kan het vertrouwen van radiologen in de AI vergroten en meer kennis opleveren over het verband tussen AI-voorspellingen en tumorpathologie.
Grand challenge: PI-CAI
Ook Nederlandse onderzoekers werken aan initiatieven waarin verschillende algoritmen voor het analyseren van MRI-beelden worden vergeleken en samengevoegd. Zo werden in 2024 de resultaten van de PI-CAI-studie gepubliceerd in The Lancet Oncology.2 Dit onderzoek werd geleid door het Radboudumc en kwam voort uit een vriendschappelijke wedstrijd – een grand challenge – waarin internationale onderzoeksgroepen AI’s ontwikkelden om zo goed mogelijk prostaatkanker te detecteren op basis van MRI-beelden.
De vijf beste algoritmen werden vervolgens gecombineerd tot een soort super-algoritme, waarvan de prestaties werden vergeleken met die van een groep radiologen. De super-AI bleek 6,8% meer gevallen van prostaatkanker te detecteren dan de radiologen én wees 50,4% minder vaak een plek aan als kanker, die dat uiteindelijk niet bleek te zijn. Met deze AI-combinatie zou het aantal benodigde biopten in theorie gehalveerd kunnen worden, wat gunstig zou zijn voor patiënt, zorgverlener én maatschappij.
