Radiologen kunnen in de nabije toekomst AI gebruiken om hersentumoren op te sporen

Een artikel getiteld "Deep learning en transfer learning voor de detectie en classificatie van hersentumoren", gepubliceerd in Biology Methods and Protocols, stelt dat wetenschappers modellen met kunstmatige intelligentie (AI) kunnen trainen om onderscheid te maken tussen hersentumoren en gezond weefsel. AI-modellen kunnen hersentumoren op MRI-beelden al bijna net zo goed detecteren als een radioloog.

Onderzoekers hebben gestaag vooruitgang geboekt bij de toepassing van AI in de geneeskunde. AI is met name veelbelovend in de radiologie, waar het wachten op technici om medische beelden te verwerken de behandeling van patiënten kan vertragen. Convolutionele neurale netwerken zijn krachtige tools waarmee onderzoekers AI-modellen kunnen trainen op grote hoeveelheden beelden voor herkenning en classificatie.

Op deze manier kunnen netwerken 'leren' onderscheid te maken tussen beelden. Ze hebben ook de mogelijkheid tot 'transfer van kennis'. Wetenschappers kunnen een model dat voor één taak is getraind, hergebruiken voor een nieuw, maar gerelateerd project.

Hoewel het detecteren van gecamoufleerde dieren en het classificeren van hersentumoren twee heel verschillende soorten afbeeldingen inhouden, opperden de onderzoekers dat er een parallel bestaat tussen een dier dat zich dankzij natuurlijke camouflage verbergt en een groep kankercellen die opgaat in het omliggende gezonde weefsel.

Het aangeleerde proces van generalisatie – het groeperen van verschillende objecten onder één identificatiecode – is belangrijk om te begrijpen hoe het netwerk gecamoufleerde objecten kan detecteren. Dit leerproces zou met name nuttig kunnen zijn bij het detecteren van tumoren.

In deze retrospectieve studie van openbaar beschikbare MRI-gegevens onderzochten de onderzoekers hoe neurale netwerkmodellen konden worden getraind met gegevens over hersentumoren. Daarbij introduceerden ze een unieke transfer-learningstap om gecamoufleerde dieren te detecteren en zo de tumordetectievaardigheden van het netwerk te verbeteren.

Met behulp van MRI's van openbaar beschikbare, online bronnen met kankergegevens en controlebeelden van gezonde hersenen (waaronder Kaggle, het NIH Cancer Image Archive en het VA Health System in Boston) trainden de onderzoekers netwerken om onderscheid te maken tussen gezonde en kankerachtige MRI's, het gebied te identificeren dat door kanker is aangetast en het prototypische uiterlijk van kanker (type kankertumor).

De onderzoekers ontdekten dat de netwerken vrijwel perfect waren in het identificeren van normale hersenbeelden met slechts één of twee fout-negatieve resultaten en het onderscheiden van kankerachtige en gezonde hersenen. Het eerste netwerk had een gemiddelde nauwkeurigheid van 85,99% bij het detecteren van hersentumoren, terwijl het tweede een nauwkeurigheid van 83,85% had.

Een belangrijk kenmerk van het netwerk zijn de verschillende manieren waarop beslissingen kunnen worden verklaard, wat het vertrouwen in de modellen van medische professionals en patiënten vergroot. Diepe modellen zijn vaak niet transparant genoeg, en naarmate het vakgebied zich ontwikkelt, wordt het vermogen om de beslissingen van netwerken te verklaren steeds belangrijker.

Dankzij dit onderzoek kan het netwerk nu beelden genereren die specifieke gebieden in de classificatie van een tumor als positief of negatief weergeven. Dit stelt radiologen in staat hun beslissingen te toetsen aan de resultaten van het netwerk, wat vertrouwen geeft alsof er een tweede "robot"-radioloog in de buurt is die naar het gebied op de MRI wijst dat een tumor aangeeft.

In de toekomst is het volgens de onderzoekers belangrijk om ons te richten op het creëren van diepe netwerkmodellen waarvan de beslissingen op een intuïtieve manier kunnen worden beschreven, zodat AI een transparante, ondersteunende rol kan spelen in de klinische praktijk.

Hoewel de netwerken in alle gevallen moeite hadden om onderscheid te maken tussen hersentumortypen, was het duidelijk dat er intrinsieke verschillen waren in de manier waarop de data binnen het netwerk werd weergegeven. De nauwkeurigheid en helderheid verbeterden naarmate de netwerken werden getraind om camouflage te herkennen. Transfer learning leidde tot een hogere nauwkeurigheid.

Hoewel het beste geteste model 6% minder nauwkeurig was dan standaard menselijke detectie, toont de studie succesvol de kwantitatieve verbetering aan die door dit leerparadigma wordt bereikt. De onderzoekers zijn van mening dat dit paradigma, in combinatie met de uitgebreide toepassing van uitlegmethoden, zal bijdragen aan de broodnodige transparantie in toekomstig klinisch AI-onderzoek.

"Dankzij vooruitgang in kunstmatige intelligentie (AI) kunnen we patronen nauwkeuriger detecteren en herkennen", aldus Arash Yazdanbakhsh, hoofdauteur van het artikel.

Dit verbetert op zijn beurt de beeldgebaseerde diagnostiek en screening, maar vereist ook meer uitleg over hoe de AI een taak uitvoert. De nadruk op AI-uitlegbaarheid verbetert de interactie tussen mens en AI in het algemeen. Dit is met name belangrijk tussen medische professionals en AI die voor medische doeleinden is ontworpen.

"Duidelijke en uitlegbare modellen zijn beter geschikt om de diagnose te ondersteunen, de voortgang van de ziekte te volgen en de behandeling te monitoren."