AI voorspelt het risico op longkanker

kankerzorg kunstmatige intelligentie algoritmeregister

Met Artificial Intelligence kun je het risico op longkanker voorspellen. Dat schrijven onderzoekers van het Radboudumc in Radiology. Via een AI-algoritme kun je nauwkeurig het risico voorspellen dat longknobbeltjes, te zien op CT-scans tijdens een longscreening, zullen uitgroeien tot tumoren.

Longkanker is bij mannen en vrouwen de belangrijkste doodsoorzaak door kanker. Het is goed voor bijna 25 procent van alle sterfte door kanker. Screening van mensen met een verhoogd risico op longkanker, zoals zware rokers, kun je doen met lage dosis CT-scans van de long. Resultaten van grote screeningstudies wijzen uit dat de sterfte door longkanker daardoor aanzienlijk kan verminderen. Dat geldt vooral als je (potentiële) tumoren al in een vroeg stadium kunt detecteren. Dan is de kans op een succesvolle behandeling groter.

Goedaardig of niet?

Probleem is dat de meeste kleine knobbeltjes die je ziet op CT-scans, geen tumoren in de dop zijn maar goedaardige knobbeltjes. Die kun je met rust laten, terwijl je de kwaadaardige knobbeltjes juist wel wil aanpakken. Vandaar het grote belang om een goed onderscheid te kunnen maken tussen die twee varianten.

Voor de studie ontwikkelden onderzoekers van het Radboudumc een algoritme dat longknobbels beoordeelt met deep learning. Deep learning is een AI-techniek die patronen in aangeleverde beelden zelf steeds beter leert te vinden en herkennen.

De onderzoekers trainden het algoritme door het CT-beelden te laten zien van meer dan 16.000 knobbeltjes van de National Lung Screening Trial in de Verenigde Staten. Van de ruim 16.000 knobbeltjes waren er 1249 van kwaadaardige aard.

Nadat het algoritme met deze gegevens zijn leertijd had doorlopen, werd het getest op drie grote bestanden met beeldgegevens van knobbeltjes uit de Deense longkanker screeningstudie, de Danish Lung Cancer Screening Trial. Een validatie op een nieuwe dataset is een gebruikelijke stap in het onderzoek, die duidelijk moet maken hoe goed het algoritme functioneert in de praktijk.

Arts en algoritme

Colin Jacobs, onderzoeker bij de afdeling Radiologie en Nucleaire Geneeskunde en coördinator van de studie: “Het deep learning algoritme deed het uitstekend. Het presteerde bijvoorbeeld beter dan het gevestigde Pan-Canadese Early Detection of Lung Cancer-model dat ook het risico inschat op maligniteit van de longknobbels. En het presteerde vergelijkbaar als de elf clinici die de gegevens beoordeelden, onder wie vier longradiologen, vijf radiologen en twee longartsen.”

Kiran Vaidhya Venkadesh, eerste auteur van het artikel en onderzoeker bij de Diagnostic Image Analysis Group van het Radboudumc voegt eraan toe: “Het algoritme kan radiologen helpen bij het nauwkeurig inschatten van de kans op kwaadaardige longknobbeltjes, waardoor de screening op longkanker verder is te optimaliseren.”

“Het algoritme verkleint ook de kans op verschillende interpretaties die nu soms tussen radiologen kunnen optreden”, vult Jacobs aan. “Het algoritme kan ook tot minder onnodige diagnostische interventies leiden, en mogelijk een lagere werkdruk voor radiologen en een verlaging van de kosten van longkankerscreening.”

Verdere verfijningen

De onderzoekers willen het algoritme verder verbeteren door nog andere gegevens mee te nemen zoals leeftijd, geslacht en rookgeschiedenis. Het huidige algoritme is zeer geschikt voor het analyseren van knobbeltjes bij de eerste, initiële screening.

Jacobs: “Als er bij mensen in volgende screeningsronden knobbeltjes worden gevonden, zijn groei en uiterlijk van die knobbeltjes in vergelijking met de vorige CT belangrijk. We werken nu aan een deep learning-algoritme waarbij de ontwikkeling in die knobbeltjes, gebaseerd op meerdere CT-onderzoeken, ook goed meegenomen worden in de risico-inschatting.”

Lees ook:

Gerelateerde berichten...