Onderzoekers hebben een nieuw AI-systeem ontwikkeld dat hersentumoren op MRI-scans nauwkeuriger kan opsporen en classificeren dan bestaande deep-learningmethoden. In plaats van één algoritme te gebruiken, combineert de aanpak meerdere AI-technieken die elkaar aanvullen. Uit de studie, gepubliceerd in Healthcare Analytics, blijkt dat deze tweestapsmethode zowel de detectie van tumoren als de classificatie van verschillende tumortypen verbetert.
Hoewel verdere klinische validatie nodig is, onderstrepen de resultaten hoe de combinatie van verschillende AI-architecturen kan bijdragen aan snellere en betrouwbaardere diagnostiek binnen de radiologie.
Diagnostiek in twee stappen
Het door onderzoekers van de University of Sharjah ontwikkelde systeem volgt een werkwijze die aansluit bij de klinische praktijk. In de eerste stap analyseert het AI-model een MRI-scan om vast te stellen of sprake is van een hersentumor. Alleen wanneer een afwijking wordt gevonden, volgt een tweede analysetrap waarin de tumor wordt ingedeeld als glioom, meningeoom of hypofysetumor.
Deze gefaseerde aanpak maakt het mogelijk om verschillende AI-modellen in te zetten voor de taken waarin zij het sterkst presteren. Volgens de onderzoekers levert dat betere resultaten op dan wanneer één model zowel de detectie als de classificatie voor zijn rekening neemt. Het onderzoek richt zich daarmee niet op de ontwikkeling van een volledig nieuwe AI-architectuur, maar op een systematische vergelijking van bestaande deep-learningtechnieken onder identieke omstandigheden. Zo ontstaat beter inzicht in de sterke punten van verschillende modellen.
AI-modellen vullen elkaar aan
De onderzoekers vergeleken meerdere deep-learningarchitecturen die veel worden gebruikt voor medische beeldanalyse. Traditionele convolutionele neurale netwerken (CNN's) vormden daarbij het uitgangspunt. Vervolgens werden deze uitgebreid met Long Short-Term Memory-netwerken (LSTM) en zogeheten attention-mechanismen, die AI helpen om relevante patronen in complexe beelden beter te herkennen. De analyses laten zien dat iedere uitbreiding de prestaties verder verbeterde. Vooral de combinatie van CNN, LSTM en attention bleek effectief bij het onderscheiden van verschillende soorten hersentumoren. Voor de eerste stap, het onderscheiden van MRI-scans met en zonder tumor, behaalde een Vision Transformer-model de hoogste nauwkeurigheid.
Volgens de onderzoekers komt dit doordat de verschillende architecturen elk een ander aspect van de beeldinformatie verwerken. CNN's herkennen lokale kenmerken, LSTM-netwerken modelleren complexere samenhangen en attention-mechanismen helpen de AI om zich te richten op de meest informatieve patronen in een MRI-scan. Deze combinatie resulteerde in een hogere classificatienauwkeurigheid dan de afzonderlijke modellen.
Gestandaardiseerde vergelijking
Voor het onderzoek werden 7.023 MRI-beelden geanalyseerd, afkomstig van patiënten met gliomen, meningeomen, hypofysetumoren en gezonde personen. Alle beelden werden vooraf op identieke wijze bewerkt, onder meer door normalisatie van de intensiteit, contrastcorrectie en het schalen naar een vaste resolutie. Daarmee wilden de onderzoekers verschillen tussen databronnen zoveel mogelijk uitsluiten.
Volgens de auteurs biedt deze gestandaardiseerde werkwijze een eerlijkere vergelijking tussen AI-modellen dan veel eerdere studies, waarin uiteenlopende datasets en verschillende voorbewerkingsmethoden worden gebruikt. Daardoor wordt beter zichtbaar hoe de afzonderlijke modelarchitecturen tumorgerelateerde informatie vastleggen en interpreteren.
Wel wijzen de onderzoekers op een beperking van de gebruikte datasets. Omdat patiëntidentificatie niet in alle databronnen volledig beschikbaar was, kon niet worden gegarandeerd dat beelden van dezelfde patiënt volledig gescheiden bleven tussen de trainings- en testsets.
Klinische validatie
Een opvallend resultaat is de hoge verwerkingssnelheid van het systeem. Volgens de onderzoekers kost de eerste detectiestap gemiddeld 21,6 milliseconden per MRI-scan, terwijl de classificatie van het tumortype gemiddeld 17,6 milliseconden duurt. Daarmee lijkt de methode geschikt voor toepassingen waarbij vrijwel realtime ondersteuning gewenst is.
De onderzoekers benadrukken echter dat snelheid alleen niet voldoende is voor klinische inzet. Het systeem is uitsluitend getest met openbaar beschikbare MRI-datasets, die mogelijk niet alle variatie weerspiegelen die in de dagelijkse praktijk voorkomt. Verschillen tussen ziekenhuizen, MRI-scanners en patiëntpopulaties kunnen invloed hebben op de prestaties van AI-modellen. Daarom zien de auteurs hun studie vooral als een belangrijke stap in de ontwikkeling van betrouwbare AI voor de radiologie, maar niet als een direct inzetbare klinische oplossing. Vervolgonderzoek moet uitwijzen hoe robuust de modellen presteren bij grotere en meer diverse patiëntengroepen, maar ook bij MRI-beelden van lagere kwaliteit.
Daarnaast pleiten de onderzoekers voor de integratie van technieken die de besluitvorming van AI beter inzichtelijk maken, bijvoorbeeld door zichtbaar te maken welke beeldkenmerken bepalend zijn voor een voorspelling. Zulke verklarende AI-methoden kunnen volgens hen het vertrouwen van radiologen vergroten en de koppeling tussen AI-analyses en de onderliggende tumorkarakteristieken versterken. De studie laat daarmee zien dat de toekomst van AI in de diagnostiek waarschijnlijk niet ligt in één allesomvattend algoritme, maar in de slimme combinatie van complementaire modellen die elkaar versterken.
AI-methode voor tumorprogressie
Vorig jaar ontwikkelden onderzoekers van de York University een AI-methode die met meer dan 85 procent nauwkeurigheid onderscheid kan maken tussen tumorprogressie en stralingsnecrose na stereotactische radiochirurgie (SRS), een belangrijke diagnostische uitdaging bij hersentumoren. Standaard MRI behaalt hiervoor gemiddeld 60 procent nauwkeurigheid, terwijl geavanceerde MRI zonder AI rond de 70 procent uitkomt. De AI combineert een 3D-deep-learningmodel met twee attention-mechanismen en analyseert beelden verkregen via CEST-MRI, waarmee subtiele biochemische veranderingen zichtbaar worden.
De technologie werd getest op gegevens van ruim 90 patiënten met hersenmetastasen. Volgens de onderzoekers kan een snellere en nauwkeurigere diagnose artsen helpen de juiste behandeling te kiezen, omdat tumorprogressie en stralingsnecrose een volledig verschillend zorgtraject vereisen. De resultaten wijzen op een belangrijke rol voor AI als beslisondersteuning binnen de neuro-oncologische diagnostiek.
Referenties
Healthcare Analytics (Onderzoek)
