Computer herkent kanker in weefselbeelden

Kunstmatig intelligente computeralgoritmes kunnen menselijke pathologen evenaren in het ontdekken van uitzaaiingen van borstkanker in lymfeklieren. Dit blijkt uit de CAMELYON16 challenge van het Radboudumc. In een publicatie in JAMA van 12 december laten onderzoekers voor het eerst zien dat deep learning algoritmes voldoende kwaliteit hebben om routinematige diagnoses te stellen op basis van weefselpreparaten. De techniek kan pathologen helpen om sneller en beter diagnoses te stellen.

Het Radboudumc organiseerde tussen november 2015 en november 2016 de CAMELYON16 challenge. Programmeurs kregen de kans om een computeralgoritme te maken dat zelfstandig een diagnose kan stellen op basis van aangeleverde pathologiebeelden. Het ging daarbij om het ontdekken van uitzaaiingen van borstkanker in lymfeklieren. Drieëntwintig onderzoeksgroepen uit de hele wereld gingen deze uitdaging aan waarvan de resultaten nu bekend zijn.
 
Uitzaaiingen aanwijzen
Deelnemers aan CAMELYON16 kregen de beschikking over 270 digitale preparaten waarvan al duidelijk was of, en waar, er uitzaaiingen te vinden waren. Op basis hiervan konden ze algoritmes programmeren en trainen in het herkennen van de uitzaaiingen. Vervolgens kregen de deelnemers 129 nieuwe preparaten waarmee ze het algoritme konden testen. De computer moesten preparaten met en zonder uitzaaiingen van elkaar onderscheiden. En in de preparaten met uitzaaiingen moesten de algoritmes aanwijzen waar deze precies zaten.
 
Menselijke pathologen
Om de kwaliteit van de computerdiagnoses te vergelijken met een menselijke prestatie, werden de 129 testpreparaten ook beoordeeld door elf ervaren pathologen. Zij beoordeelden de preparaten op een manier die vergelijkbaar is met het werken in een realistische ziekenhuissituatie. Daarnaast was er één ervaren patholoog die zoveel tijd kon nemen als zij wilde voor het beoordelen van de preparaten.
 
Deep learning
De deelnemende onderzoeksgroepen stuurden in totaal 32 computeralgoritmes in. De besten daarvan maakten allemaal gebruik van zogenaamde deep learning technologie, waarbij de computer patronen leert herkennen op basis van een groot aantal voorbeelden. Het beste algoritme kon net zo goed uitzaaiingen vinden als de patholoog die zonder tijdsdruk werkte. Gemiddeld wees dit algoritme slechts 1,25 keer per honderd preparaten een uitzaaiing aan die er in werkelijkheid niet was. Hiermee overtrof het algoritme zelfs de pathologen die de preparaten beoordeelden in de realistische werksituatie.
 
Beter en sneller
Jeroen van der Laak, onderzoeker bij de afdeling Pathologie van het Radboudumc, coördineerde de challenge: “We zien nu voor het eerst dat een computer even goed deze diagnose kan stellen als een patholoog. Een patholoog met algoritme is dus beter af dan een patholoog zonder. De patiënt heeft zo eerder een uitslag en het helpt pathologen in het stellen van betere diagnoses, ook onder tijdsdruk.” De onderzoekers verwachten dat de techniek binnen enkele jaren geschikt is voor toepassing in de patiëntenzorg en dat het aantal diagnoses dat de computer kan stellen toeneemt.