Exploring learning environments for label\-efficient cancer diagnosis

Kanker blijft een van de meest formidabele uitdagingen in de moderne geneeskunde, een ziekte die talloze levens eist en een zware last legt op wereldwijde gezondheidszorgsystemen. Een cruciale stap in de strijd ertegen is vroege detectie, waarbij artsen weefselmonsters onder een microscoop onderzoeken om tumoren op te sporen voordat ze zich verspreiden. Dit proces, bekend als histopathologie, vertrouwt op hoogopgeleide experts om onderscheid te maken tussen gezond weefsel en kwaadaardige gezwellen. Echter, dit handmatige werk is traag en uitputtend; een enkele slide kan een specialist tot wel dertig minuten kosten om te analyseren, en de vraag naar dergelijke expertise overstijgt vaak het aanbod. Om de zorg te versnellen, hebben wetenschappers de computers het werk uit handen genomen door hen te leren kankerpatronen in afbeeldingen te herkennen. Jarenlang hadden deze computersystemen enorme bibliotheken met afbeeldingen nodig die zorgvuldig door menselijke experts waren gelabeld om te leren waar ze naar moesten kijken. Het verzamelen van deze gelabelde afbeeldingen is een moeilijke, dure en tijdrovende taak, wat een flessenhals creëert die de snelheid waarmee deze hulpmiddelen kunnen worden ontwikkeld en gebruikt, beperkt.

Een nieuwe studie door onderzoekers van Jamia Millia Islamia University en The Chinese University of Hong Kong verkent een manier om deze flessenhals te omzeilen. Zij onderzochten of computers effectief kanker kunnen diagnosticeren zonder dat elke afzonderlijke afbeelding door een mens gelabeld hoeft te worden. Het team testte drie verschillende manieren om deze computersystemen te onderwijzen. De eerste methode, bekend als supervised learning (begeleid leren), is de traditionele aanpak waarbij de computer alleen leert van volledig gelabelde afbeeldingen. De tweede methode, semi-supervised learning (semi-begeleid leren), staat de computer toe om te leren van een klein aantal gelabelde afbeeldingen en tegelijkertijd naar een veel grotere pool van ongelabelde afbeeldingen te kijken om patronen te vinden. De derde methode, self-supervised learning (zelfbegeleid leren), probeert de computer te onderwijzen met uitsluitend ongelabelde afbeeldingen, waarbij de computer wordt gevraagd om zelf regels te ontdekken over wat een afbeelding vergelijkbaar maakt met een andere. De onderzoekers wilden zien of de tweede en derde methode de prestaties van de traditionele, volledig gelabelde aanpak konden evenaren, met name voor drie veelvoorkomende soorten kanker: borst-, long- en nierkanker.

Om deze ideeën te testen, verzamelden de onderzoekers drie verschillende sets medische afbeeldingen. Eén set bevatte bijna 8.000 afbeeldingen van borstweefsel, een andere had meer dan 16.000 afbeeldingen van longweefsel, en de derde omvatte meer dan 7.000 afbeeldingen van nierweefsel. Deze afbeeldingen kwamen uit verschillende bronnen en hadden verschillende formaten, wat ervoor zorgde dat de resultaten robuust zouden zijn. Het team creëerde vervolgens zeven verschillende trainingsscenario's. In het eerste scenario gebruikten zij alleen volledig gelabelde afbeeldingen. In de volgende vijf scenario's mengden zij gelabelde en ongelabelde afbeeldingen in variërende proporties, variërend van de helft en de helft tot een situatie waarin slechts tien procent van de afbeeldingen gelabeld was. In het laatste scenario gebruikten zij uitsluitend ongelabelde afbeeldingen. Zij voerden deze verschillende sets gegevens in drie krachtige, bestaande computermodellen die ontworpen zijn om patronen in plaatjes te herkennen. Deze modellen kregen vervolgens de opdracht om elke afbeelding te classificeren als ofwel goedaardig (benigne), wat ongevaarlijk betekent, of kwaadaardig (maligne), wat kanker betekent.

De resultaten toonden een duidelijke hiërarchie aan in hoe goed de verschillende leermethoden werkten. Zoals verwacht produceerde de traditionele methode met uitsluitend volledig gelabelde afbeeldingen de meest nauwkeurige resultaten. De semi-supervised aanpak, die een mix van gelabelde en ongelabelde data gebruikte, kwam echter opmerkelijk dichtbij. In veel gevallen presteerden de computermodellen die getraind waren met slechts een klein deel gelabelde data bijna even goed als die getraind met alle gelabelde data. Bijvoorbeeld, bij het diagnosticeren van nierkanker bereikte een model dat getraind was met slechts dertig procent gelabelde afbeeldingen en zeventig procent ongelabelde afbeeldingen een nauwkeurigheid van bijna 98 procent, een cijfer dat zeer vergelijkbaar is met het model dat getraind is met alle gelabelde data. Zelfs toen de hoeveelheid gelabelde data werd teruggebracht tot slechts tien procent, bleef de prestatie sterk. Dit suggereert dat de computer waardevolle lessen kan leren van de ongelabelde afbeeldingen, door ze te gebruiken om de algemene structuur van het weefsel te begrijpen voordat de focus op de specifieke kankersignalen komt te liggen.

De derde methode, self-supervised learning, die volledig vertrouwde op ongelabelde afbeeldingen, produceerde lagere nauwkeurigheidsscores dan de andere twee methoden. Hoewel het niet qua prestaties kon tippen aan de volledig gelabelde of de semi-supervised benaderingen, slaagde het er nog steeds in om kankerpatronen met een zekere mate van succes te identificeren, wat bewees dat computers zelfs zonder menselijke begeleiding nuttige informatie kunnen extraheren. Onder de drie geteste computermodellen presteerde één model, bekend als EfficientNetB0, consistent beter dan de andere over alle drie de soorten kanker en alle leermethoden. Het behaalde de hoogste nauwkeurigheidspercentages, waarbij het bijna 92 procent bereikte voor borstkanker en meer dan 98 procent voor nierkanker wanneer het de beste trainingscondities werden geboden.

De studie concludeert dat de strikte vereiste voor enorme hoeveelheden gelabelde data niet noodzakelijk is voor een effectieve diagnose van kanker. De onderzoekers ontdekten dat semi-supervised learning een zeer levensvatbaar alternatief biedt, waardoor medische teams in staat zijn om krachtige diagnostische instrumenten te bouren, zelfs wanneer zij slechts toegang hebben tot een bescheiden aantal gelabelde monsters. Dit is een belangrijke bevinding omdat het de drempel verlaagt voor de ontwikkeling van deze technologieën. Als een ziekenhuis of onderzoekslaboratorium duizenden ongelabelde afbeeldingen heeft maar slechts een paar honderd gelabelde, kunnen zij nog steeds een computer trainen om met hoge betrouwbaarheid bij de diagnose te assisteren. Het werk suggereert dat de toekomst van automatische kankerdetectie niet uitsluitend afhangt van de arbeidsintensieve taak om elke afzonderlijke afbeelding te labelen, maar eerder van slimme methoden die kunnen leren van de enorme hoeveelheden ongelabelde data die al beschikbaar zijn in medische archieven.