De overlevingskans voor mensen met alvleesklierkanker is zeer klein. Er wordt dan ook veel onderzoek gedaan naar effectievere behandelmethoden. Zo ook in het Amsterdam UMC. Daar werkt een team van artsen, onderzoekers, en data scientists samen met experts van softwareleverancier SAS aan de ontwikkeling van een artificial intelligence (AI) model dat op een objectieve manier vaststelt hoe een tumor reageert op een behandeling.
Vraag je vijf pathologen een tumorscoring te doen op een coupe (een geprepareerd stuk weefsel dat onder de microscoop wordt gelegd) van de alvleesklier, dan krijg je niet altijd vijf dezelfde uitkomsten. Dat is niet zo vreemd, want in een gedigitaliseerd beeld van een coupe is het erg lastig om precies de scheiding tussen gezond en tumor weefsel te bepalen. Als artsen het zelf doen, ontstaat er verrassend vaak een verschil in analyse tussen twee artsen.
Dit maakt het lastig om de beste beslissing te maken voor een patiënt en om onderzoek te doen. Een team van oncologen en pathologen stelde zich de vraag: zou je met computer vision deze subjectieve waarneming kunnen objectiveren? Computers doen immers iedere keer dezelfde analyse, die bekijken iedere pixel geheel objectief en zeggen per pixel of er wel of geen tumorweefsel is geconstateerd. De hypothese is dat computers waarschijnlijk objectiever dan het menselijk oog in staat zouden zijn om te constateren of een tumor op therapie heeft gereageerd of niet.
Ervaring opdoen met computer vision
Er hangt veel af van deze zogenaamde tumor scoring. De uitslag ervan is soms bepalend voor de vervolgbehandeling die wordt ingezet. Pathologen beoordelen dezelfde situatie soms anders, het is moeilijk om een eenduidige beoordeling te krijgen. Ook kost het de pathologen nu veel tijd om in detail de hele coupe te bekijken. Daarom zijn het Amsterdam UMC en SAS een samenwerking aangegaan, vertelt Rik de Ruiter, data scientist bij deze leverancier van analytics en AI software
“Het team van Amsterdam UMC bestond uit oncologen, oncologisch chirurgen, pathologen, en data scientists. Het was onze rol vanuit SAS om het team te helpen en vooral ook mee te denken hoe we in de toekomst het AI-model kunnen gaan toepassen. Je ziet dat er in de zorg nu veel AI-modellen worden ontwikkeld, maar nog weinig modellen worden ook daadwerkelijk in de praktijk gebruikt. Wij durven zelfs te stellen dat het op dit moment een grotere innovatie is wanneer je een AI-model kan toepassen dan het ontwikkelen ervan.”
Trainen van AI-model
Bij computer vision leer je een AI-model waar het naar kijkt, zodat het model na verloop van tijd zelf kan vertellen wat het ziet. Dat leren is in dit geval gebeurd met 65 digitale coupes die zijn ingetekend door pathologen. Bij dat annoteren van de beelden geven de pathologen per pixel aan wat ze zien. Het kost dan ook uren en uren om één digitaal beeld in te tekenen.
“Tijd die er normaal gesproken niet is als ze het weefsel van een patiënt moeten beoordelen”, zegt De Ruiter. Het doel van het team is om automatisch aan te geven wat wel of geen tumor is, zodat de patholoog efficiënter en eenduidiger kan werken.
Na het intekenen van de beelden was de volgende stap om te testen welk computer vision model voor deze specifieke beelden het best kan worden gebruikt. De Ruiter hierover: “Er zijn veel verschillende AI-modellen en ieder model heeft zijn sterke en zwakke kanten. Door verschillende modellen te testen en de resultaten te vergelijken, hebben we een goede keuze kunnen maken voor een model dat tumor weefsel in coupes van de alvleesklier kan intekenen, zodat artsen mogelijk in de toekomst betere keuzes kunnen gaan maken.”
Integratie analytics in workflow
Om ervoor te zorgen dat de pathologen in hun eigen vertrouwde omgeving konden blijven werken, is een integratie gemaakt tussen het pathologiesysteem en de analytics software. Het pathologiesysteem wordt gebruikt om de coupes in te kleuren. Deze ingekleurde beelden worden vervolgens doorgestuurd naar het analytics platform, waar de berekeningen plaatsvinden. De resultaten worden weer terug gecommuniceerd naar het pathologiesysteem. Zo kunnen pathologen ook in hun vertrouwde omgeving zien hoe het model de coupe beoordeelt en vertrouwd raken met het model.
Schaalbaar model
Een onderwerp waar De Ruiter veel aandacht voor had, is de schaalbaarheid en toepasbaarheid van het model. “Het is belangrijk dat je het model in de loop van de tijd nieuwe dingen kunt bijleren, bijvoorbeeld als er ergens ter wereld nieuwe inzichten ontstaan. Ook moet het model met allerlei pathologiesystemen overweg kunnen. Het mag niet zo zijn dat wanneer het Amsterdam UMC overstapt naar een andere scanner, het model niet meer werkt. En hoewel we dit model specifiek voor het beoordelen van alvleesklierkanker hebben ontwikkeld, hebben we er ook op gelet dat het model past binnen de architectuur van het ziekenhuis. Zo kan het samen met andere modellen worden beheerd en is het breder toepasbaar in het ziekenhuis.”
Nauwkeurig beoordelen via AI-model
De eerste resultaten zijn positief. Het team heeft aangetoond dat een computer vision model aantoonbaar tot een objectievere beoordeling van coupes komt. Pathologen krijgen nu in de dagelijkse praktijk onvoldoende tijd voor deze pixel-precieze beoordeling. Door het AI-model te trainen krijgen pathologen er als het ware een digitale assistent bij die wél in staat is om zo gedetailleerd en nauwgezet te kijken. Pathologen kunnen met ondersteuning van dit model mogelijk hun werk beter en efficiënter doen.
Anderhalf jaar na de start van het project ligt er een paper getiteld ‘Artificial Intelligence-Based Segmentation of Residual Tumor in Histopathology of Pancreatic Cancer after Neoadjuvant Treatment’. De Ruiter is trots, maar kijkt vooral uit naar de toepassing van deze nieuwe inzichten. “Deze paper is een eerste stap naar toepassing van dit algoritme in de praktijk. Ik kijk uit naar het moment dat alle patiënten hiervan kunnen profiteren.”
