Diagnose prostaatkanker nu beter te stellen met kunstmatige intelligentie

Foto: Radboud University Nijmegen Medical Centre CC BY-SA 3.0

Onderzoekers van het Radboudumc hebben een ‘deep learning’ systeem ontwikkeld dat, op basis van een stukje weefsel, de agressiviteit van prostaatkanker beter kan bepalen dan de meeste pathologen. Het AI-systeem leerde zelf om prostaatkanker te herkennen, op basis van data van meer dan 1200 patiënten. Het team van het Radboud heeft de intentie om samen met onderzoekers van het Karolinska Instituut uit Zweden en Kaggle, een dochterbedrijf van Google, deze methoden verder ontwikkelen in een grote internationale wedstrijd.

Het Nijmeegse onderzoek, van onder meer Wouter Bulten en Geert Litjens, is beschreven in The Lancet Oncology.

Prostaatkanker is een veel voorkomende vorm van kanker, maar niet altijd agressief: er sterven meer mannen met prostaatkanker, dan aan prostaatkanker. De behandeling ervan heeft echter veel gevolgen voor de kwaliteit van leven van de patiënten, dus het bepalen van de agressiviteit is een belangrijke stap in de keuze voor een behandeltraject. Om de agressiviteit van de kanker te bepalen worden stukjes weefsel (biopten) uit de prostaat genomen, waar door een patholoog een score aan gegeven wordt. Deze zogenoemde Gleason score wordt vervolgens gebruikt om biopten in te delen in vijf groepen, de Gleason Grade Groups, waarmee het risico op overlijden aan prostaatkanker wordt aangegeven. Echter, dit is een subjectief proces; of en hoe een patiënt behandeld wordt kan afhangen van de patholoog die het stukje weefsel beoordeeld.

Beter dan een patholoog

De onderzoekers van Radboudumc ontwikkelden het AI-systeem zo, dat het net zo naar die biopten kijkt als een patholoog. Het systeem bepaalt ook de Gleason score, en vervolgens kan het systeem een biopt indelen volgens de Gleason Grade Groups. Middels ‘deep learning’ leerde het systeem aan de hand van duizenden foto’s van biopten te herkennen wat een gezonde prostaat is, en hoe meer of minder agressief prostaatkankerweefsel eruitziet. Onderzoeker Wouter Bulten: “Het is nu getraind met 5759 biopten van ruim 1200 patiënten. Toen we de prestaties van het algoritme vergeleken met die van vijftien pathologen uit verschillende landen en met uiteenlopende ervaring, was ons systeem beter dan tien van hen en vergelijkbaar met zeer ervaren pathologen.” Een bijkomend voordeel van zo’n computersysteem is dat het consistent is en overal ingezet kan worden; de behandeling van de patiënt hangt dan niet meer af van welke patholoog naar het weefsel kijkt.

Een internationale competitie

Omdat wereldwijd 1,2 miljoen mensen per jaar de diagnose prostaatkanker krijgen, was het ontwikkelen van een AI-systeem voor de diagnose interessant voor veel onderzoeksgroepen en bedrijven. “Het is een meerwaarde dat we een academisch ziekenhuis zijn,” zegt Bulten. “We zitten dicht bij de patiënt en de zorgverlener, en hebben onze eigen database van biopten.” Als vervolgstap wil het team van het Radboudumc nu samen met onderzoekers van het Karolinska Instituut in Zweden en Kaggle, een dochterbedrijf van Google gespecialiseerd in data science competities, een internationale wedstrijd organiseren waarin deelnemers gaan proberen het algoritme van het Radboudumc te verslaan. De inzichten uit zo’n wedstrijd worden dan gebruikt om de algoritmes verder te verbeteren.

Voor meer informatie over het algoritme en live voorbeelden, kun je naar de website van de pathologiegroep.

Achtergrond: wat is ‘deep learning’?

Deep learning is een term die gebruikt wordt voor systemen die leren op een vergelijkbare manier als dat onze hersenen werken. Het bestaat uit een soort (elektronische) neuronen, die elk een aspect van het gewenste plaatje leren herkennen. Dan geldt verder: al doende leert men, en oefening baart kunst. Het systeem krijgt meer en meer plaatjes te zien met daarbij – in dit geval – de informatie wat wel of geen prostaatkanker is, en welke Gleason score het biopt heeft gekregen. Vervolgens leert het herkennen welke aspecten er bij de kanker horen, en hoe meer plaatjes het ziet, hoe beter het die aspecten ook in een ander, nog niet gediagnosticeerd plaatje kan herkennen. (Bij kleine kinderen doen we eigenlijk hetzelfde: we houden het vaak een appel voor de neus en zeggen daarbij dat het een appel is. Op een gegeven moment hoef je het er niet meer bij te zeggen.) Een groot voordeel van deze systemen is ook dat ze veel sneller leren dan mensen, en 24 uur per dag kunnen werken.

Reacties