Een nieuw, op machine learning gebaseerd, systeem voor het analyseren van medische beelden die in de loop van de tijd genomen zijn, blijkt heel goed in staat te zijn om kleine en subtiele veranderingen in de beelden te herkennen en mogelijke gevolgen en uitkomsten voor patiënten te voorspellen. Dat blijkt uit een studie, uitgevoerd door onderzoekers van Weill Cornell Medicine, Cornell's Ithaca campus en Cornell Tech.
Het systeem, LILAC genaamd, wat staat voor Learning-based Inference of Longitudinal imAge Changes, is getest op diverse reeksen met medische beelden die in de loop van de tijd gemaakt zijn, ook wel ‘longitudinale’ beeldreeksen genoemd. Het betrof beeldreeksen van zich ontwikkelende IVF-embryo's, genezend weefsel na wonden en ouder wordende hersenen.
LILAC met succes getest
In een proof-of-concept demonstratie trainden de onderzoekers LILAC op honderden opeenvolgingen van microscoopbeelden van IVF-embryo's tijdens hun ontwikkeling. Vervolgens werd het systeem getest met een nieuwe reeks van embryobeelden. LILAC moest voor willekeurige paren beelden uit een bepaalde reeks bepalen welk beeld eerder was genomen. LILAC voerde deze taak uit met een nauwkeurigheid van ongeveer 99 procent, waarbij de weinige fouten optraden bij beeldparen met relatief korte tijdsintervallen.
LILAC bleek ook zeer nauwkeurig in het ordenen van paren beelden van genezend weefsel van dezelfde sequenties en in het detecteren van verschillen op groepsniveau in genezingssnelheden tussen onbehandeld weefsel en weefsel dat een experimentele behandeling kreeg. Op dezelfde manier voorspelde LILAC de tijdsintervallen tussen MRI-beelden van de hersenen van gezonde oudere volwassenen, evenals individuele cognitieve scores van MRI's van patiënten met lichte cognitieve beperkingen - in beide gevallen met veel minder fouten vergeleken met basismethoden.
Breed vermogen
In het onderzoek kon zo aangetoond worden dat LILAC een breed vermogen heeft om zelfs zeer subtiele verschillen te identificeren tussen beelden die op verschillende tijdstippen zijn genomen. Ook bleek het systeem in staat om voorspellingen te doen van, bijvoorbeeld, de cognitieve scores van hersenscans. Het onderzoek werd eerder deze maand gepubliceerd in Proceedings of the National Academy of Sciences
“Dit nieuwe hulpmiddel stelt ons in staat om klinisch relevante veranderingen in de loop van de tijd te detecteren en te kwantificeren op manieren die voorheen niet mogelijk waren, en de flexibiliteit betekent dat het kant-en-klaar kan worden toegepast op vrijwel elke longitudinale beeldvormingsdataset,” aldus dr. Mert Sabuncu, vicevoorzitter van het onderzoek en hoogleraar elektrotechniek in de radiologie aan Weill Cornell Medicine. De onderzoekers zijn nu van plan om LILAC in de praktijk te demonstreren om behandelingsreacties te voorspellen op basis van MRI-scans van prostaatkankerpatiënten.
