Om AI-modellen te trainen in het opsporen van kanker in een vroeg stadium, zijn grote datasets nodig. Voor levertumoren zijn er momenteel echter slechts 200 geannoteerde CT-scans van levertumoren beschikbaar. Dat is niet genoeg om een AI-model te trainen en te testen. Een onderzoeksteam onder leiding van de Johns Hopkins University heeft nu een nieuwe methode ontwikkeld om grote datasets te genereren op basis van CT-scans van kunstmatige levertumoren. Met deze datasets kunnen vervolgens kankeropsporingsalgoritmen worden getraind.
Het aangeven van tumoren op medische scans is een tijdrovend proces waarvoor vaak pathologieverslagen moeten worden geraadpleegd. Ook moet vaak worden gewacht op de resultaten van een biopsie. Dat maakt het lastig om grootschalige datasets te genereren. Daarom bedacht het onderzoeksteam een speciaal proces bestaande uit vier stappen om hoogwaardige kunstmatige tumoren te genereren.
Tumoren zo goed mogelijk nabootsen
De plek voor de kunstmatige tumoren werd zo gekozen dat ze niet tegen omringende bloedvaten aan lagen. Ook zorgden ze voor willekeurige ‘ruis’ in de beelden, om de onregelmatige textuur van echte tumoren te simuleren. Tot slot zorgden ze ervoor dat de tumoren verschillende vormen hadden, net als echte tumoren. Het resultaat waren kunstmatige tumoren die nauwelijks van echte tumoren te onderscheiden waren en die de Visual Turing-test doorstonden.
Vervolgens trainde het onderzoeksteam een AI-algoritme met alleen de gegevens van deze kunstmatige tumoren. Met het resulterende model werden vergelijkbare resultaten behaald als met modellen die waren getraind met gegevens van echte tumoren.
“We zijn heel enthousiast over onze methode. Er is nog niet eerder een model ontwikkeld op basis van alleen kunstmatige tumoren dat vergelijkbare resultaten behaalde als een AI-model dat is getraind met echte tumoren”, zegt Qixin Hu, een onderzoeker van de Huazhong University of Science and Technology, in een persbericht. “Bovendien kunnen we met onze methode automatisch talloze voorbeelden van kleine tot zeer kleine kunstmatige tumoren genereren om tumoren nog beter op te sporen met AI. Het kunnen detecteren van kleine tumoren is essentieel om kanker al in een vroeg stadium op te sporen.”
Ook voor andere kankersoorten
Volgens de onderzoekers kan hun methode ook worden gebruikt om datasets te genereren en AI-modellen te trainen voor andere kankersoorten. Het team onderzoekt momenteel geavanceerde beeldverwerkingsopties om kunstmatige lever-, alvleesklier-, nier- en andere tumoren te genereren.
“Het doel van dit project is om allerlei soorten afwijkingen in het menselijk lichaam na te bootsen om AI verder te ontwikkelen. Op die manier hoeven radiologen hun kostbare tijd niet te besteden aan handmatig annoteren”, zegt Hu. “Dit onderzoek brengt ons een stap dichter bij dat doel.”
Onderzoeken zoals dit zijn het onderwerp van gesprek in discussies over de voors en tegens van kunstmatige zorgdata. Volgens velen is het gebruik van kunstmatige data een goed en privacybestendig alternatief voor het gebruik van informatie van echte patiënten voor onderzoek en analyse. Anderen stellen zich echter vragen bij de bruikbaarheid vanwege de datakwaliteit.
Kanker opsporen met AI
Er wordt veel onderzoek gedaan naar het opsporen van kanker met AI. Begin dit jaar verscheen een artikel in Nature over een geavanceerde AI-tool die waarschijnlijk in staat is om subtiele tekenen van kanker in weefsels te herkennen. Tekenen die met het blote oog meestal niet te herkennen zijn. De tool heet iStar en is ontwikkeld door onderzoekers van de Perelman School of Medicine aan de Universiteit van Pennsylvania. Een bijzondere mogelijkheid van deze nieuwe tool is het vermogen om genexpressie - de activiteit van genen in cellen - in kaart te brengen.
En een recente overzichtsstudie, onlangs gepubliceerd in The Lancet, belicht de voordelen en nadelen van kunstmatige intelligentie (AI) in coloscopieën. Deze studie benadrukt hoe AI het opsporen van poliepen in de dikke darm aanzienlijk kan verbeteren, wat cruciaal is gezien sommige poliepen een voorstadium van kanker kunnen zijn. AI helpt niet alleen bij het verminderen van het missen van poliepen, maar zorgt ook voor een hogere detectie van verschillende soorten poliepen met variërende risiconiveaus.
