Voor het succesvol monitoren van longkanker is het belangrijk om regelmatig een CT-scan te maken, maar dat creëert ook een ander risico. Radiologen moeten vaak honderden scans per dag beoordelen. Mede door een groeiend gebrek aan radiologen, en de almaar groeiende zorgvraag, schiet de werkdruk van deze zorgprofessionals door het dak, wat de foutgevoeligheid niet ten goede komt. Binnen het SPIRABENE-project ontwikkelde het Fraunhofer-instituut voor Digitale Geneeskunde MEVIS, samen met partners jung diagnostics GmbH en het Universitair Medisch Centrum Mainz, een innovatieve AI-oplossing die hier verandering in brengt.
De door deep learning aangedreven software is specifiek ontworpen om veranderingen in longtumoren sneller en nauwkeuriger op te sporen in opeenvolgende CT-scans. Dit draagt niet alleen bij aan tijdige behandelaanpassingen, maar maakt het werk van clinici ook efficiënter en minder belastend.
Steeds meer longscans
Wereldwijd neemt het gebruik van thorax-CT-scans gestaag toe, mede door het belang van vroege detectie van aandoeningen zoals bronchiale carcinomen en metastasen. Alleen al in Duitsland groeide het aantal uitgevoerde long-CT-scans van 800.000 in 2009 naar 1,3 miljoen in 2020. Hoewel deze scans waardevolle informatie bieden, is het interpreteren ervan complex: variaties in ademhaling of gewichtsverandering maken vergelijkingen tussen scans lastig.
Door regelmatig een CT-scan te maken en deze beelden met elkaar te vergelijken, kunnen veranderingen in de longen, en eventueel aanwezige tumoren, sneller en beter herkend worden. Deze technologie vereist in conventionele systemen veel rekenkracht en tijd. De software van Fraunhofer MEVIS biedt uitkomst: met behulp van getrainde neurale netwerken worden anatomische structuren in minder dan een seconde vergeleken. Uit de eerste resultaten blijkt dat de software 11 procent meer tumoren detecteert dan bestaande tools, met slechts een tiende van de gebruikelijke verwerkingstijd.
Klinische tests voor de praktijk
De technologie is samen met artsen van het Universitair Medisch Centrum Mainz ontworpen, getest in een klinische omgeving en sluit naadloos aan op bestaande infrastructuren. Volgens Jan Moltz, hoofdonderzoeker medische beeldanalyse bij Fraunhofer MEVIS, is de impact duidelijk: “Onze software helpt artsen niet alleen om sneller en preciezer tumoren op te sporen, maar ook om ineffectieve behandelingen vroegtijdig te herkennen en zo onnodige bijwerkingen en kosten te voorkomen.”
De succesvolle inzet van deze AI-technologie voor longkanker wordt door de experts gezien als het begin van een bredere ontwikkeling. Op termijn willen de betrokken onderzoekers het systeem uitbreiden naar volledige lichaamsbeeldvorming, waardoor oncologische follow-up efficiënter, goedkoper en patiëntvriendelijker wordt. Met dit soort innovaties wordt de kracht van kunstmatige intelligentie tastbaar in de dagelijkse zorgpraktijk.
AI verbetert longkanker diagnose
Er wordt al langer gewerkt, en nagedacht, over de mogelijkheden die AI-technolgie kan bieden voor het verbeteren van de diagnostiek en screening van longkanker. In 2023 filosofeerden onderzoekers van het Radboudumc en Mevis Medical Solutions al over de bijdrage die AI kan leveren aan een effectief en betaalbaar bevolkingsonderzoek naar longkanker. Door de inzet van AI kunnen honderden CT-scans per persoon efficiënt worden geanalyseerd, wat essentieel is gezien het tekort aan radiologen. Hoewel grootschalige screening nog niet haalbaar is, biedt AI perspectief voor gerichte screening van risicogroepen, zoals rokers. Diverse studies hebben al aangetoond dat vroege opsporing de overlevingskansen aanzienlijk verbetert.
In april schreven wij over een AI-model, ontwikkeld door onderzoekers van het Amsterdam UMC, dat huisartsen ondersteunt bij het vroegtijdig opsporen van longkanker. In tegenstelling tot bestaande modellen analyseert dit algoritme niet alleen gestructureerde gegevens zoals rookgedrag, maar ook vrije tekst in elektronische patiëntendossiers. Hierdoor kunnen subtiele risicosignalen eerder worden opgemerkt. Het gebruik van dit AI-model resulteerde in een gemiddelde vervroeging van de doorverwijzing met vier maanden, wat aanzienlijk bijdraagt aan een snellere diagnose en behandeling. Deze aanpak biedt perspectief voor datagestuurde, gepersonaliseerde eerstelijnszorg en kan mogelijk ook voor andere kankersoorten worden toegepast
