Thyroidiomics: An Automated Pipeline for Segmentation and Classification of Thyroid Pathologies from Scintigraphy Images

De menselijke schildklier is een kleine, vlindervormige klier die zich aan de basis van de hals bevindt en fungeert als de thermostaat van het lichaam door het metabolisme te reguleren. Wanneer deze klier niet goed functioneert, kan deze opzwellen, knobbeltjes ontwikkelen of ontstoken raken, wat leidt tot aandoeningen die variëren van een milde ongemakkelijkheid tot ernstige gezondheidsbedreigingen. Om te begrijpen wat er binnenin gebeurt, gebruiken artsen vaak een speciaal type nucleaire geneeskundige scan genaamd een scintigrafie. Bij deze procedure krijgt een patiënt een minuscule hoeveelheid van een veilige, radioactieve stof die de schildklier van nature absorbeert. Een camera legt vervolgens de beelden van deze gloed vast, waardoor zichtbaar wordt hoe de klier werkt en waar deze mogelijk ontspoort. Het lezen van deze beelden is echter een veeleisende taak. Het vereist een deskundige specialist die de omtrek van de schildklier zorgvuldig op het scherm moet traceren en vervolgens subtiele patronen van licht en donker moet interpreteren om de specifieke ziekte te diagnosticeren. Dit proces is traag, leunt zwaar op de individuele ervaring van de arts en kan van de ene expert naar de andere variëren. Naarmate het aantal patiënten dat deze scans nodig heeft groeit, staat de medische gemeenschap voor een dringende behoefte aan hulpmiddelen die dit delicate werk kunnen ondersteunen, om ervoor te zorgen dat diagnoses zowel snel als consistent zijn.

In een recente studie hebben een team onderzoekers uit Canada, Iran en Zwitserland deze uitdaging aangepakt door een geautomatiseerd systeem te bouwen dat zij Thyroidiomics noemden. Hun doel was om een digitale pijplijn te creëren die niet alleen de schildklierklier in deze gloeiende beelden kan vinden, maar ook de specifieke ziekte die de klier treft kan classificeren, en dat alles zonder menselijke tussenkomst. Ze verzamelden een enorme collectie van 2.643 schildklierscans van negen verschillende medische centra, die een grote verscheidenheid aan apparatuur en patiëntenpopulaties besloeg. Het team richtte zich op drie veelvoorkomende aandoeningen: een diffuse struma, waarbij de klier uniform vergroot is; een multinodulaire struma, gekenmerkt door meerdere knobbeltjes; en thyreoïditis, een ontsteking van het weefsel. Om hun computer te trainen, moesten ze de computer eerst leren wat een mens ziet. Een deskundige arts in de nucleaire geneeskunde traceerde handmatig de exacte grenzen van de schildklier op elke afbeelding, waardoor een perfecte kaart werd gecreëerd die als de "ground truth" diende waar de machine van kon leren.

De onderzoekers ontwikkelden vervolgens een tweestaps kunstmatige intelligentie-systeem. Eerst trainden ze een deep learning-model, een type computerprogramma geïnspireerd door het menselijk brein, om automatisch de omtrek van de schildklierklier op nieuwe beelden te tekenen. Dit model, bekend als een Residual UNet, leerde de schildklier te onderscheiden van het omliggende weefsel door duizenden voorbeelden te bestuderen. Zodra de computer de omtrek van de klier succesvol had getekend, begon de tweede stap. Het systeem extraheerde honderden minuscule, wiskundige details uit de textuur en helderheid van het omlijnde gebied—kenmerken die te subtiel zijn voor het menselijk oog, maar rijk aan diagnostische informatie. Deze details werden vervolgens ingevoerd in een machine learning-classifier, die fungeerde als een besluitvormer door de beelden in een van de drie ziektecategorieën te sorteren. Om te garanderen dat hun systeem werkelijk robuust was en niet alleen de specifieke beelden uit hun training memoriseerde, gebruikte het team een rigoureuze testmethode. Ze trainden hun systeem op gegevens van acht medische centra en testten het op het negende, waarbij ze dit proces herhaalden totdat elk centrum als testgeval had gediend. Deze aanpak garandeerde dat het systeem beelden van verschillende machines en verschillende ziekenhuizen kon verwerken.

De resultaten toonden aan dat de geautomatiseerde pijplijn met opmerkelijke vaardigheid presteerde. Het vermogen van de computer om de omtrek van de schildklier te tekenen was zeer accuraat en kwam in de meeste gevallen overeen met de handmatige tekeningen van de deskundige arts. Wat betreft het diagnosticeren van de ziekte bereikte het geautomatiseerde systeem een nauwkeurigheid van ongeveer 74 procent, een cijfer dat zeer dicht bij de 7s 76 procent nauwkeurigheid lag die werd bereikt wanneer het systeem de handmatige omtrekken van de arts als startpunt gebruikte. Het systeem was bijzonder bekwaam in het identificeren van thyreoïditis, waarbij het de aandoening met bijna perfecte consistentie over alle testcentra heen correct classificeerde. Hoewel de handmatige omtrekken nog steeds een lichte voorsprong hadden in precisie, was het verschil zo klein dat de prestaties van het geautomatiseerde systeem voor de meeste maten als statistisch gelijkwaardig werden beschouwd. Dit suggereert dat de computer de tijdrovende handmatige traceerstap effectief kan vervangen zonder de diagnostische kwaliteit op te offeren.

De implicaties van dit werk reiken verder dan alleen snelheid. Door het segmentatieproces te automatiseren, verwijdert het systeem de variabiliteit die voortkomt uit verschillende artsen die op net iets andere manieren dezelfde klier tekenen. Deze consistentie is essentieel voor betrouwbare gezondheidszorg, vooral voor minder ervaren artsen die baat kunnen hebben bij het hebben van een tweede, objectieve mening om hun eigen beoordelingen mee te vergelijken. De onderzoekers merkten op dat hoewel hun systeem een belangrijke stap voorwaarts is, het getraind is op gegevens uit één land en zou kunnen profiteren van een diversere wereldwijde dataset om te garanderen dat het overal even goed werkt. Ze willen in de toekomst ook onderzoeken hoe ze ziekten kunnen classificeren zonder de klier überhaupt te hoeven omlijnen. Voor nu demonstreert deze studie echter dat kunstmatige intelligentie succesvol de complexiteit van schildklierscintigrafie kan navigeren, en daarmee een krachtig nieuw hulpmiddel biedt dat naast menselijke expertise werkt om de patiëntenzorg te verbeteren.