Darmkanker (colorectaal carcinoom, CRC) behoort wereldwijd tot de meest voorkomende en dodelijke kankersoorten. Een belangrijke oorzaak van de hoge sterfte is dat de ziekte vaak pas in een laat stadium wordt ontdekt. Hoewel colonoscopieën tegenwoordig precancereuze laesies beter kunnen opsporen, blijft het tijdens de procedure lastig om met zekerheid te bepalen welke laesies kwaadaardig zijn. Dit belemmert een gerichte behandeling en kan leiden tot onnodige biopsieën of het missen van gevaarlijke tumoren.
Onderzoekers van de Champalimaud Foundation in Portugal ontwikkelden een geavanceerde optische beeldvormingstechniek die gebruikmaakt van autofluorescentie: het natuurlijk oplichten van weefsels bij blootstelling aan specifieke lichtgolflengten. In tegenstelling tot conventionele methoden is hiervoor geen kleurstof of contrastmiddel nodig. Cruciaal is de analyse van de fluorescentielevensduur. Dit is de tijd dat het weefsel na belichting blijft oplichten, waarmee subtiele biochemische verschillen in het weefsel zichtbaar worden.
Combinatie met machine learning
Door deze metingen te combineren met machine learning, kan het systeem realtime onderscheid maken tussen goedaardige en kwaadaardige laesies. Hiervoor scanden de onderzoekers verse weefselmonsters van 117 patiënten met een speciale glasvezelprobe die twee laserfrequenties gebruikt om onder andere collageen en co-enzymen te activeren. De verzamelde optische data werden gekoppeld aan pathologische diagnoses en ingezet als trainingsdata voor een AI-classificatiemodel, getraind met de ensemble-leertechniek Adaptive Boosting (AdaBoost).
Het model behaalde een nauwkeurigheid van 87 procent op de trainingsset, met een sensitiviteit van 83 procent en specificiteit van 90 procent. Bij tests op nieuwe monsters bleef de prestatie vergelijkbaar: 85 procent nauwkeurigheid en gelijke sensitiviteit en specificiteit van eveneens 85 procent. Ook op individuele meetpunten kon het model tumorgebieden betrouwbaar markeren, wat cruciaal is voor klinische toepasbaarheid. De studie is onlangs gepubliceerd in Biophotonics Discovery.
Vereenvoudiging van het systeem
De onderzoekers onderzochten tevens de mogelijkheid het systeem te vereenvoudigen door te focussen op een kleinere set optische signalen, zonder significant verlies van nauwkeurigheid. Dit kan de ontwikkeling van betaalbare en praktische klinische apparaten bevorderen.
Hoewel verdere validatie bij grotere en diverse patiëntengroepen nodig is, zet deze technologie een belangrijke stap richting realtime, AI-ondersteunde optische diagnostiek voor darmkanker. De methode kan artsen helpen sneller en nauwkeuriger te beslissen welke laesies verwijderd moeten worden, onnodige biopsieën reduceren en de kans verkleinen dat gevaarlijke tumoren over het hoofd worden gezien. Daarmee draagt het bij aan efficiëntere, minder invasieve en meer patiëntgerichte zorg.
COLO-DETECT onderzoek
Vorig jaar is onder leiding van de Universiteit van Newcastle met 2032 patiënten uit tien Engelse centra het COLO-DETECT-onderzoek uitgevoerd, waarbij AI werd ingezet om afwijkingen tijdens colonoscopieën te detecteren die kunnen leiden tot darmkanker. De test gebruikte het GI Genius AI-systeem, een computermodule die extra analyse biedt tijdens colonoscopieën. Uit de studie bleek dat AI de detectie van adenomen, precancereuze laesies, aanzienlijk verbeterde door ook kleine en platte poliepen op te sporen die artsen soms missen.
Professor Colin Rees benadrukte dat dit levens kan redden doordat meer verdachte laesies vroegtijdig worden gevonden en verwijderd. In Nederland wordt vergelijkbare AI-technologie al toegepast, bijvoorbeeld in het Catharina Ziekenhuis. COLO-DETECT was een gerandomiseerde studie waarbij de helft van de patiënten een AI-ondersteunde colonoscopie kreeg. Rees hoopt dat AI-brede implementatie leidt tot betere opsporing van darmkanker, mede doordat het systeem continu leert en verbetert door ervaring met nieuwe beelden.
