Een AI-algoritme kan nauwkeurig het risico voorspellen dat longknobbeltjes, gevonden op CT-scans tijdens longscreening, zullen uitgroeien tot tumoren. Dat schrijven onderzoekers van het Radboudumc in het wetenschappelijke blad Radiology. Het algoritme is gebaseerd op deep learning, dat patronen in aangeleverde beelden zelf steeds beter leert te vinden en herkennen. Het kan radiologen helpen bij het nauwkeurig inschatten van de kans op kwaadaardige longknobbeltjes, wat de screening op longkanker verbetert.
Longkanker is bij mannen én vrouwen de belangrijkste doodsoorzaak door kanker (bijna 25%).
Screening van mensen met een verhoogd risico op longkanker, zoals zware rokers, is mogelijk met lage dosis CT-scans van de long. Resultaten van grote screeningstudies wijzen uit dat de sterfte door longkanker zo aanzienlijk kan verminderen. Dat geldt met name wanneer (potentiële) tumoren al in een vroeg stadium worden gedetecteerd. Dan is de kans op een succesvolle behandeling groter.
Een probleem bij deze methode is echter, dat de meeste kleine knobbeltjes die zichtbaar zijn op dergelijke CT-scans, geen tumoren in de dop zijn maar goedaardige knobbeltjes. Die kunnen met rust worden gelaten, terwijl je de kwaadaardige knobbeltjes juist wel wil aanpakken. Dit maakt het heel belangrijk om een goed onderscheid te kunnen maken tussen die twee varianten.
Deep learning voorspelt longkanker
Voor in Radiology gepubliceerde studie, ontwikkelden onderzoekers van het Radboudumc een algoritme dat longknobbels beoordeelt met deep learning. Deze AI-techniek kan patronen in aangeleverde beelden steeds beter vinden en herkennen. De onderzoekers trainden het algoritme door het CT-beelden te tonen van ruim 16.000 knobbeltjes, afkomstig van de National Lung Screening Trial (VS). Van de knobbeltjes waren er 1.249 kwaadaardig.
Nadat het algoritme met deze gegevens zijn leertijd had doorlopen, werd het getest op drie grote bestanden met beeldgegevens van knobbeltjes uit de Deense longkanker screening-studie, de Danish Lung Cancer Screening Trial. Zo’n validatie op een nieuwe dataset is een gebruikelijke stap in het onderzoek, die duidelijk moet maken hoe goed het algoritme functioneert in de praktijk.
Goede prestaties
Colin Jacobs, onderzoeker bij de afdeling Radiologie en Nucleaire Geneeskunde en coördinator van de studie, vertelt dat het deep learning algoritme het uitstekend deed. “Het presteerde bijvoorbeeld beter dan het gevestigde Pan-Canadese Early Detection of Lung Cancer-model dat ook het risico inschat op maligniteit van de longknobbels. En het presteerde vergelijkbaar als de elf clinici die de gegevens beoordeelden, onder wie vier longradiologen, vijf radiologen en twee longartsen.”
Kiran Vaidhya Venkadesh, eerste auteur van het artikel en onderzoeker bij de Diagnostic Image Analysis Group van het Radboudumc merkt verder op dat het algoritme radiologen kan helpen bij het nauwkeurig inschatten van de kans op kwaadaardige longknobbeltjes, waardoor de screening op longkanker verder is te optimaliseren.
Minder interpretatieverschillen
Het algoritme verkleint ook de kans op verschillende interpretaties die nu soms tussen radiologen kunnen optreden, vult Jacobs aan. “Verder kan het tot minder onnodige diagnostische interventies leiden, en mogelijk een lagere werkdruk voor radiologen en een verlaging van de kosten van longkankerscreening."
De onderzoekers willen het algoritme verder verbeteren door andere gegevens mee te nemen die van invloed kunnen zijn op de diagnose, zoals leeftijd, geslacht en rookgeschiedenis. Het huidige algoritme is namelijk vooral geschikt voor het analyseren van knobbeltjes bij de eerste, initiële screening.
Jacobs: “Als er bij mensen in volgende screeningsronden knobbeltjes worden gevonden, zijn groei en uiterlijk van die knobbeltjes in vergelijking met de vorige CT belangrijk. We werken nu aan een deep learning-algoritme waarbij de ontwikkeling in die knobbeltjes, gebaseerd op meerdere CT-onderzoeken, ook goed meegenomen worden in de risico-inschatting.”
AI voor diagnostiek, voorspellen
AI-toepassingen worden steeds vaker toegepast voor diagnostiek en voorspellen. Het Leids Universitair Medisch Centrum (LUMC) onderzoekt bijvoorbeeld sinds kort samen met Healthplus.ai of het mogelijke is met behulp van kunstmatige intelligentie het risico op het ontstaan van een infectie na een operatie te voorspellen. Een brandweerman en paramedicus uit Keulen heeft onlangs een zelflerend AI-model ontwikkeld dat de drukte op de spoedeisende hulp kan voorspellen. Daarmee kunnen de SEH’s vervolgens zorgen dat er op de momenten dat het drukker dreigt te worden voldoende capaciteit is om de wettelijk verplichte aanrijtijden te kunnen waarborgen.
Het onderzoek in Radiology: Deep Learning for Malignancy Risk Estimation of Pulmonary Nodules Detected at Low-Dose Screening CT - Kiran Vaidhya Venkadesh, Arnaud A. A. Setio, Anton Schreuder, Ernst T. Scholten, Kaman Chung, Mathilde M. W. Wille, Zaigham Saghir, Bram van Ginneken, Mathias Prokop, Colin Jacobs.
