Uit recent onderzoek blijkt dat er een nieuw deep learning-model is die veelbelovend kan zijn bij het opsporen en het segmenteren van longtumoren. Het nieuwe model kan ervoor zorgen dat longkanker sneller wordt ontdekt en het verloop van de ziekte beter kan worden gemonitord. Ook de reactie op ingezette behandelingen tegen longkanker en de opvolgende bestralingstherapie kunnen beter worden gevolgd dankzij het nieuwe deep learning-model.
“Onze studie is een belangrijke stap in de richting van het automatiseren van longtumoridentificatie en -segmentatie,” aldus de hoofdauteur van het onderzoek en arts-assistent op de afdeling Geneeskunde aan de Stanford University School of Medicine in Stanford, Californië, Dr. Kashyap. In de huidige werkwijze identificeren en segmenteren ervaren clinici longtumoren handmatig aan de hand van medische beelden. Dat is een arbeidsintensief proces dat ook onderhevig is aan de verschillen tussen artsen. Volgens de American Cancer Society is longkanker de op één na meest voorkomende vorm van kanker onder mannen en vrouwen in de VS en de belangrijkste doodsoorzaak door kanker.
AI en deep learning
AI en deep learning zijn eerder ingezet bij het opsporen en analyseren van longtumoren maar in die studies was er sprake van kleine datasets. Bovendien was men in die studies ook afhankelijk van de handmatige input van gegevens en lag de focus op het analyseren van enkele longtumoren. Daarentegen werd in dit onderzoek, gepubliceerd in Radiology, een unieke, grootschalige dataset gebruikt. De dataset bestond uit routinematig verzamelde CT-simulatiescans die waren gemaakt voorafgaand aan de bestralingsbehandeling.
Ook werden klinische 3D-segmentaties gebruikt om een longtumordetectie- en segmentatiemodel op bijna-expertiseniveau te ontwikkelen. “Voor zover wij weten, is onze trainingsdataset de grootste verzameling CT-scans en klinische tumorsegmentaties die in de literatuur is gerapporteerd voor het maken van een longtumordetectie- en segmentatiemodel,” aldus Kashyap.
Beperking bij tumorvolume
Een beperking van het model was de neiging om het tumorvolume te onderschatten. Dat leidde tot slechtere prestaties van het model bij zeer grote tumoren. Daarom waarschuwt Dr. Kashyap dat het model moet worden geïmplementeerd in een workflow onder supervisie van een arts, zodat clinici de onjuist geïdentificeerde laesies en segmentaties van mindere kwaliteit kunnen identificeren en verwijderen.
De onderzoekers adviseren om toekomstig onderzoek te richten op het toepassen van het nieuwe model. Volgens hen moet dan de totale tumorlast worden geschat en de reactie op de gegeven behandelingen worden geëvalueerd aan de hand van de al bestaande methoden. Ook bevelen ze aan om het vermogen van het model te beoordelen bij het voorspellen van klinische uitkomsten op basis van de geschatte tumorbelasting. Dat geldt vooral wanneer dit wordt gecombineerd met andere, prognostische modellen die gebruik maken van verschillende klinische gegevens.
Opsporen kleine knobbeltjes
Ook in Nederland is longkanker een van de grootste doodsoorzaken omdat de ziekte vaak te laat wordt ontdekt. Het vroegtijdig opsporen van longkanker is van cruciaal belang om tijdig te kunnen ingrijpen. Door de inzet van kunstmatige intelligentie kunnen kleine knobbeltjes (longnoduli) die mogelijk wijzen op longkanker sneller worden opgespoord op CT-scans. Uit onderzoek van Ward Hendrix, uitgevoerd in het Jeroen Bosch Ziekenhuis (JBZ) en Radboudumc, blijkt dat het aantal ontdekte longnoduli in Nederlandse ziekenhuizen de afgelopen tien jaar sterk is gestegen. Met een nieuwe technologie kunnen zelfs moeilijk zichtbare knobbeltjes in de luchtwegen worden opgespoord die voor radiologen niet zichtbaar zijn.
