Een nieuwe deep learning tool die is ontwikkeld door een onderzoeksteam van de Washington University School of Medicine, voorspelt op basis van weefselbeelden welke patiënten met niet-kleincellige longkanker (NSCLC) het risico lopen om uitzaaiingen in de hersenen te krijgen. Bijna de helft van de patiënten met NSCLC in een vroeg stadium of lokaal gevorderde NSCLC krijgt uiteindelijk uitzaaiingen in de hersenen, maar er is momenteel nog geen betrouwbare methode om te voorspellen welke patiënten dit zijn voordat het daadwerkelijk gebeurt.
NSCLC is meestal goed operatief te behandelen. Als de kanker is uitgezaaid naar andere organen en de lymfeklieren, worden aanvullende behandelingen overwogen. In het geval van hersenuitzaaiingen zijn agressieve behandelingen zoals bestraling, immunotherapie, chemotherapie en doelgerichte therapie nodig. Maar omdat artsen niet met zekerheid kunnen zeggen of een patiënt hersenuitzaaiingen zal ontwikkelen, krijgen patiënten deze behandelingen vaak uit voorzorg.
Hersenuitzaaiingen voorspellen
Het onderzoeksteam van de Washington University School of Medicine ontwikkelde een AI-model om hersenuitzaaiingen te voorspellen op basis van beelden van longbiopten. Het team onderzocht of een AI-tool afwijkingen kon herkennen die een patholoog misschien over het hoofd zou zien. Het algoritme werd getraind met behulp van biopsiebeelden van 118 patiënten met NSCLC in een vroeg stadium die gedurende een opvolgingsperiode van vijf jaar al dan niet hersenkanker ontwikkelden. Het model werd getest aan de hand van een tweede set beelden van veertig andere patiënten. Deze tweede set beelden werd tevens beoordeeld door vier pathologen.
Het deep learning model presteerde aanzienlijk beter dan de pathologen. Het model voorspelde hersenuitzaaiingen met een nauwkeurigheid van 87 procent, waar de pathologen een gemiddelde nauwkeurigheid behaalden van 57,3 procent. Het model schatte met name goed in welke NSCLC-patiënten geen hersenkanker zouden ontwikkelen.
“De resultaten moeten nog worden gevalideerd in een grootschaligere studie, maar we denken dat AI deze voorspellingen veel nauwkeuriger kan maken, zodat betere behandelbeslissingen kunnen worden genomen”, vertelt Ramaswamy Govindan, adjunct-directeur oncologie van de Washington University. “Systemische behandelingen zoals chemotherapie beschadigen naast kankercellen ook gezonde cellen en hebben niet altijd de voorkeur voor alle patiënten met kanker in een vroeg stadium. Door te voorspellen welke patiënten mogelijk hersenuitzaaiingen zullen ontwikkelen, kunnen we de behandeling op tijd opstarten.”
Onduidelijkheid over het hoe
Hoe de tool de voorspellingen doet, is nog onduidelijk. De onderzoekers willen dit in een nieuwe studie onderzoeken. “Deze studie was opgezet om voorspellende biomarkers te ontdekken”, aldus Changhuei Yang, hoogleraar elektrische engineering, bio-engineering en medische engineering aan het California Institute of Technology. “Die hebben we niet gevonden. Wel ontdekten we dat AI kankerprogressie kan voorspellen op basis van diagnostische biopsiebeelden. Als we de voorspellingen zo nauwkeurig kunnen maken dat het algoritme klinisch bruikbaar wordt, kunnen we de kosten sterk verlagen doordat dure biomarkertests overbodig worden."
AI bij kankeronderzoek
Naarmate AI zich verder ontwikkelt, wordt de technologie steeds vaker gebruikt bij kankeronderzoek. Onlangs ontdekten onderzoekers van de Mayo Clinic nog een nieuw type AI (hypothesegedreven AI) dat het kankeronderzoek vooruit kan helpen. Het doel van hypothesegedreven AI is om sneller kennis te ontwikkelen over ziekten als kanker door een specifieke hypothese of onderzoeksvraag voor te leggen aan het algoritme. Op die manier kan bestaande wetenschappelijke kennis worden benut in plaats van uitsluitend uit te gaan van statische en moeilijk te verkrijgen datasets.
Vorig jaar maakten wetenschappers van het Radboudumc bekend dat AI mogelijk kan worden ingezet bij bevolkingsonderzoek naar longkanker. De complexiteit van het onderzoek naar longkanker ligt aanzienlijk hoger dan bij borstkankeronderzoek, omdat er veel meer beelden nodig zijn. Het vereist heel veel tijd en concentratie van radiologen om longkanker op te sporen. Grootschalig bevolkingsonderzoek naar longkanker laat daarom volgens experts nog wel even op zich wachten, maar mogelijk kan kunstmatige intelligentie wel worden gebruikt voor het screenen van risicogroepen.
