Zou kunstmatige intelligentie de toekomst kunnen zijn van de diagnose van kanker?
In een recente studie hebben onderzoekers een algoritme getraind om onderscheid te maken tussen kwaadaardige en goedaardige laesies in scans van borstweefsel.
Bij kanker is de sleutel tot een succesvolle behandeling het vroegtijdig opvangen.
Zoals het er nu uitziet, hebben artsen toegang tot beeldvorming van hoge kwaliteit en kunnen bekwame radiologen de veelbetekenende tekenen van abnormale groei herkennen.
Eenmaal geïdentificeerd, is de volgende stap dat artsen vaststellen of de groei goedaardig of kwaadaardig is.
De meest betrouwbare methode is om een biopsie te nemen, wat een invasieve procedure is.
Zelfs dan kunnen er fouten optreden. Sommige mensen krijgen een diagnose van kanker als er geen ziekte is, terwijl anderen geen diagnose krijgen als er kanker is.
Beide uitkomsten veroorzaken leed, en de laatste situatie kan vertragingen in de behandeling veroorzaken.
Onderzoekers willen het diagnostische proces verbeteren om deze problemen te voorkomen. Detecteren of een laesie kwaadaardig of goedaardig is, betrouwbaarder en zonder dat een biopsie nodig is, zou een game-wisselaar zijn.
Sommige wetenschappers onderzoeken het potentieel van kunstmatige intelligentie (AI). In een recente studie hebben wetenschappers een algoritme getraind met bemoedigende resultaten.
AI en elastografie
Echografie-elastografie is een relatief nieuwe diagnostische techniek die de stijfheid van borstweefsel test. Het bereikt dit door het weefsel te laten trillen, waardoor een golf ontstaat. Deze golf veroorzaakt vervorming in de echografie, waardoor delen van de borst worden benadrukt waar de eigenschappen verschillen van het omringende weefsel.
Aan de hand van deze informatie kan een arts bepalen of een laesie kankerachtig of goedaardig is.
Hoewel deze methode een groot potentieel heeft, is het analyseren van de resultaten van elastografie tijdrovend, omvat het verschillende stappen en vereist het oplossen van complexe problemen.
Onlangs vroeg een groep onderzoekers van de Viterbi School of Engineering aan de University of Southern California in Los Angeles of een algoritme de stappen die nodig zijn om informatie uit deze afbeeldingen te halen, zou kunnen verminderen. Ze publiceerden hun resultaten in het tijdschrift Computermethoden in toegepaste mechanica en engineering.
De onderzoekers wilden zien of ze een algoritme konden trainen om in borstscans onderscheid te maken tussen kwaadaardige en goedaardige laesies. Interessant genoeg probeerden ze dit te bereiken door het algoritme te trainen met behulp van synthetische gegevens in plaats van echte scans.
Synthetische gegevens
Op de vraag waarom het team synthetische data gebruikte, zegt hoofdauteur prof.Assad Oberai dat het aankomt op de beschikbaarheid van real-world data. Hij legt uit dat "in het geval van medische beeldvorming, je geluk hebt als je 1000 afbeeldingen hebt. In situaties als deze, waar gegevens schaars zijn, worden dit soort technieken belangrijk. "
De onderzoekers trainden hun machine learning-algoritme, dat ze een diep convolutioneel neuraal netwerk noemen, met behulp van meer dan 12.000 synthetische afbeeldingen.
Aan het einde van het proces was het algoritme 100% nauwkeurig op synthetische afbeeldingen; vervolgens gingen ze verder met real-life scans. Ze hadden toegang tot slechts 10 scans: de helft daarvan vertoonde kwaadaardige laesies en de andere helft stelde goedaardige laesies voor.
“We hadden een nauwkeurigheid van ongeveer 80%. Vervolgens blijven we het algoritme verfijnen door meer realistische afbeeldingen als invoer te gebruiken. "
Prof. Assad Oberai
Hoewel 80% goed is, is het niet goed genoeg - dit is echter nog maar het begin van het proces. De auteurs zijn van mening dat als ze het algoritme op echte gegevens hadden getraind, het mogelijk een verbeterde nauwkeurigheid had getoond. De onderzoekers erkennen ook dat hun test te kleinschalig was om de toekomstige mogelijkheden van het systeem te voorspellen.
De groei van AI
De laatste jaren is er een groeiende belangstelling voor het gebruik van AI bij diagnostiek. Zoals een auteur schrijft:
"AI wordt met succes toegepast voor beeldanalyse in radiologie, pathologie en dermatologie, waarbij de diagnostische snelheid de medische experts overtreft en de nauwkeurigheid parallel loopt."
Prof. Oberai gelooft echter niet dat AI ooit een getrainde menselijke operator kan vervangen. Hij legt uit dat “[d] e algemene consensus is dat dit soort algoritmen een belangrijke rol spelen, ook van professionals op het gebied van beeldvorming op wie het de meeste impact zal hebben. Deze algoritmen zijn echter het nuttigst als ze niet als zwarte dozen dienen. Wat zag het dat het tot de uiteindelijke conclusie leidde? Het algoritme moet verklaarbaar zijn om te werken zoals bedoeld. "
De onderzoekers hopen dat ze hun nieuwe methode kunnen uitbreiden om andere soorten kanker te diagnosticeren. Overal waar een tumor groeit, verandert het hoe een weefsel zich fysiek gedraagt. Het zou mogelijk moeten zijn om deze verschillen in kaart te brengen en een algoritme te trainen om ze op te sporen.
Omdat elk type kanker echter zo verschillend in wisselwerking staat met zijn omgeving, zal een algoritme voor elk type een reeks problemen moeten oplossen. Prof. Oberai werkt al aan CT-scans van nierkanker om manieren te vinden waarop AI de diagnose daar kan helpen.
Hoewel dit vroege dagen zijn voor het gebruik van AI bij de diagnose van kanker, zijn er hoge verwachtingen voor de toekomst.
