AI voorspelt het risico op longkanker

Een AI-algoritme kan nauwkeurig het risico voorspellen dat longknobbeltjes, gevonden op CT-scans tijdens longscreening, zullen uitgroeien tot tumoren. Dat schrijven onderzoekers van het Radboudumc in Radiology.

Longkanker is bij zowel mannen als vrouwen de belangrijkste doodsoorzaak door kanker en veroorzaakt 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 met name wanneer (potentiële) tumoren al in een vroeg stadium worden gedetecteerd. Dan is de kans op een succesvolle behandeling groter.

Goedaardig of niet?

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

16.000 knobbeltjes

Voor de studie, gepubliceerd in Radiology, 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, afkomstig 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.”

Voordelen

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 die van invloed kunnen zijn op de diagnose, 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.”

*publicatie in Radiology: Deep Learning for Malignancy Risk Estimation of Pulmonary Nodules Detected at Low-Dose Screening CT – Kiran Vaidhya Venkadesh, Arnaud A. A. Setio, Anton Schreuder, Ernst T. Scholten, Kaman Chung, Mathilde M. W. Wille, Zaigham Saghir, Bram van Ginneken, Mathias Prokop, Colin Jacobs

*press release of the Radiological Society of North America (RSNA)

Bron: Radboudumc

Redactie Medicalfacts/ Janine Budding

https://www.medicalfacts.nl

Ik heb mij gespecialiseerd in interactief nieuws voor zorgverleners, zodat zorgverleners elke dag weer op de hoogte zijn van het nieuws wat voor hen relevant kan zijn. Zowel lekennieuws als nieuws specifiek voor zorgverleners en voorschrijvers. Social Media, Womens Health, Patient advocacy, patient empowerment, personalized medicine & Zorg 2.0 en het sociaal domein zijn voor mij speerpunten om extra aandacht aan te besteden.

Ik studeerde fysiotherapie en Health Care bedrijfskunde. Daarnaast ben ik geregistreerd Onafhankelijk cliëntondersteuner en mantelzorgmakelaar. Ik heb veel ervaring in diverse functies in de zorg, het sociaal domein en medische-, farmaceutische industrie, nationaal en internationaal. En heb brede medische kennis van de meeste specialismen in de zorg. En van de zorgwetten waaruit de zorg wordt geregeld en gefinancierd. Ik ga jaarlijks naar de meeste toonaangevende medisch congressen in Europa en Amerika om mijn kennis up-to-date te houden en bij te blijven op de laatste ontwikkelingen en innovaties. Momenteel ben doe ik een Master toegepaste psychologie.

De berichten van mij op deze weblog vormen geen afspiegeling van strategie, beleid of richting van een werkgever noch zijn het werkzaamheden van of voor een opdrachtgever of werkgever.