Kunstmatige intelligentie is beter dan mensen in het opsporen van longkanker
Onderzoekers hebben een diepgaand algoritme gebruikt om longkanker nauwkeurig te detecteren op basis van computertomografiescans. De resultaten van het onderzoek geven aan dat kunstmatige intelligentie de menselijke evaluatie van deze scans kan overtreffen.
Volgens de meest recente schattingen veroorzaakt longkanker in de Verenigde Staten bijna 160.000 doden. De aandoening is de belangrijkste oorzaak van aan kanker gerelateerde sterfte in de VS, en vroege detectie is cruciaal voor zowel het stoppen van de verspreiding van tumoren als het verbeteren van de resultaten voor de patiënt.
Als alternatief voor röntgenfoto's van de borst hebben zorgverleners onlangs computertomografie (CT) -scans gebruikt om op longkanker te screenen.
Sommige wetenschappers beweren zelfs dat CT-scans superieur zijn aan röntgenfoto's voor het opsporen van longkanker, en onderzoek heeft aangetoond dat met name een lage dosis CT (LDCT) het aantal sterfgevallen door longkanker met 20% heeft verminderd.
Een hoog percentage fout-positieven en fout-negatieven staat echter nog steeds de LDCT-procedure in de weg. Deze fouten vertragen doorgaans de diagnose van longkanker totdat de ziekte een vergevorderd stadium heeft bereikt waarin het te moeilijk wordt om te behandelen.
Nieuw onderzoek kan bescherming bieden tegen deze fouten. Een groep wetenschappers heeft kunstmatige intelligentie (AI) -technieken gebruikt om longtumoren te detecteren in LDCT-scans.
Daniel Tse, van de Google Health Research-groep in Mountain View, CA, is de corresponderende auteur van de studie, waarvan de bevindingen in het tijdschrift verschijnen Nature Medicine.
‘Model presteerde beter dan alle zes radiologen’
Tse en collega's pasten een vorm van AI toe, genaamd deep learning, op 42.290 LDCT-scans, die ze benaderden vanuit het Northwestern Electronic Data Warehouse en andere gegevensbronnen van de Northwestern Medicine-ziekenhuizen in Chicago, IL.
Het deep-learning-algoritme stelt computers in staat om door het voorbeeld te leren. In dit geval hebben de onderzoekers het systeem getraind met behulp van een primaire LDCT-scan samen met een eerdere LDCT-scan, indien beschikbaar.
Eerdere LDCT-scans zijn nuttig omdat ze een abnormale groeisnelheid van longknobbeltjes kunnen onthullen, wat wijst op maligniteit.
In de huidige studie leverde de AI een "geautomatiseerd beeldevaluatiesysteem" dat nauwkeurig de maligniteit van longknobbeltjes voorspelde zonder enige menselijke tussenkomst.
De onderzoekers vergeleken de beoordelingen van de AI met die van zes board-gecertificeerde Amerikaanse radiologen die tot 20 jaar klinische ervaring hadden.
Toen eerdere LDCT-scans niet beschikbaar waren, presteerde het AI-model "beter dan alle zes radiologen met een absolute reductie van 11% in fout-positieven en 5% in fout-negatieven", rapporteren Tse en collega's. Toen eerdere beeldvorming beschikbaar was, presteerde de AI net zo goed als de radiologen.
Studie co-auteur Dr. Mozziyar Etemadi, een onderzoeksassistent professor anesthesiologie aan de Northwestern University Feinberg School of Medicine in Chicago, legt uit waarom AI beter kan presteren dan menselijke evaluatie.
"Radiologen onderzoeken over het algemeen honderden 2D-beelden of 'plakjes' in een enkele CT-scan, maar dit nieuwe machine learning-systeem bekijkt de longen in een enorm, enkel 3D-beeld", zegt Dr. Etemadi.
“AI in 3D kan veel gevoeliger zijn voor het detecteren van vroege longkanker dan het menselijk oog dat naar 2D-beelden kijkt. Dit is technisch '4D' omdat het niet alleen naar één CT-scan kijkt, maar ook naar twee (de huidige en eerdere scan) in de loop van de tijd. "
Dr. Mozziyar Etemadi
"Om de AI te bouwen om de CT's op deze manier te bekijken, heb je een enorm computersysteem van Google-schaal nodig", vervolgt hij. "Het concept is nieuw, maar de feitelijke engineering ervan is ook nieuw vanwege de schaal."
Dr. Etemadi gaat verder met het prijzen van de voordelen van het gebruik van deep-learning-technologie, met de nadruk op de precisie ervan. "Het systeem kan een laesie met meer specificiteit categoriseren", zegt de onderzoeker.
"We kunnen niet alleen iemand met kanker beter diagnosticeren, we kunnen ook zeggen of iemand geen kanker heeft, waardoor ze mogelijk worden gered van een invasieve, kostbare en risicovolle longbiopsie", besluit dr. Etemadi.
De onderzoekers waarschuwen echter dat het eerst nodig is om deze resultaten in grotere cohorten te valideren.
