AI for Mycetoma Diagnosis in Histopathological Images: The MICCAI 2024 Challenge

Stel je het menselijk lichaam voor als een bruisende stad, waar kleine indringers zoals bacteriën en schimmels proberen binnen te sluipen via kapotte ramen (kleine wondjes in de huid). Meestal fungeert ons immuunsysteem als een waakzame politiekracht die hen opspoort en stopt. Maar soms slaan deze indringers kampen op die langdurig en hardnekkig zijn, waardoor ze de gebouwen van de stad (botten en weefsels) vernietigen en verschrikkelijke pijn veroorzaken. Dit is een ziekte genaamd mycetoom. Het is een sluwe boef die vaak toeslaat op plaatsen waar artsen niet over de luxe instrumenten beschikken om te zien wat er aan de hand is. Om mycetoom te diagnosticeren, moet een arts een flinterdun plakje van het geïnfecteerde weefsel onder een microscoop bekijken, zoekend naar kleine klontjes van de indringers die "korrels" worden genoemd. Het probleem is dat het vinden van deze korrels en uitzoeken welk type vijand het precies is (bacterie of schimmel), voelt als het zoeken naar een specifieke naald in een hooizak terwijl je een beslagen bril draagt. Het vereist een hoogopgeleide expert, en die experts ontbreken vaak op de plekken waar de ziekte het meest voorkomt.

Dit is waar Kunstmatige Intelligentie (AI) in beeld komt, als een superkrachtige bril die nooit moe wordt. De grote vraag die onderzoekers zich hebben gesteld is: Kunnen we een computer leren om naar deze microscopische foto's te kijken, de slechte klontjes te vinden en precies te vertellen wat voor soort kiem de problemen veroorzaakt? Als een computer dit zou kunnen doen, zou dat een gamechanger zijn voor mensen in afgelegen gebieden, omdat het hen toegang geeft tot een "virtuele expert" direct op hun scherm.

De Grote Microscooprace: Computers leren onzichtbare indringers te spotten

In 2024 organiseerde een groep wetenschappers een race met hoge inzet genaamd de "mAIcetoma Challenge". Denk aan een enorme, internationale videogame-toernooi, maar in plaats van auto's te racen of tegen draken te vechten, waren de deelnemers teams van programmeurs en datawetenschappers die raceerden om de beste AI-detective te bouwen. Hun missie? Een algoritme creëren dat naar histopathologische afbeeldingen kan kijken (wat gewoon chique, kleurrijke foto's van weefselplakjes zijn) en twee dingen kan doen: eerst de kleine "korrels" van de ziekte vinden, en daarna uitzoeken of die korrels gemaakt zijn door bacteriën of schimmels.

De organisatoren gaven de teams een gigantisch, gestandaardiseerd fotoalbum genaamd "MyData". Dit album bevatte 766 foto's van weefsel van 127 verschillende patiënten. Om een eerlijk gevecht te garanderen, werd het album in drie delen gesplitst: een oefenset (training), een quizset (validatie) en een eindexamen (test). De teams moesten hun AI-modellen trainen met de oefenset, en vervolgens bewijzen dat ze de eindexamen konden maken zonder in de antwoorden te spieken.

De Deelnemers en hun Superkrachten

Vijf teams bereikten de finale, en elk bracht een andere strategie mee, als personages in een samenwerking van superhelden:

• Team Adrian trad op als een nauwgezette bibliothecaris. Voordat ze de AI trainden, besteedden ze uren aan het opschonen van het fotoalbum, waarbij ze dubbele foto's verwijderden en rommelige labels herstelden. Zij geloofden dat als je een student een schoon, georganiseerd tekstboek geeft, deze beter leert. Ze gebruikten een "team van experts"-aanpak (ensemble learning), waarbij vijf verschillende AI-modellen over de stemmen beslisten en de meerderheid won.
• Team Macaroon bouwde een machine met twee stappen. Eerst fungeerde hun AI als een spotlight, die alleen op het specifieke gebied scheen waar de korrel zich verborg (segmentatie). Daarna keek een tweede AI alleen naar dat verlichte gebied om te beslissen wat voor soort kiem het was. Ze bedachten dat proberen te raden welk type kiem het was terwijl men naar het hele rommelige plaatje keek, te afleidend was.
• Team Minions probeerde een "hybride" aanpak. Ze bouwden een systeem dat leerde om de korrels te vinden en het type kiem te raden op hetzelfde moment. Ze probeerden zelfs hun AI te voeden met wat "handgemaakte" aanwijzingen—wiskundige beschrijvingen van de vorm en kleur van de korrel—in de hoop dat deze extra hints zouden helpen.
• Team Tiger gebruikte een "vergrootglas"-strategie. Hun AI had speciale aandachtmechanismen die hielpen om te focussen op de belangrijkste delen van de afbeelding, waarbij de saaie achtergrond werd genegeerd. Ze gebruikten ook een truc genaamd "Cross Knowledge Distillation", waarbij drie verschillende delen van hun AI elkaar leerden om het eens te worden over het antwoord, waardoor het hele systeem slimmer werd.
• Team VSI koos voor een "plug-and-play"-aanpak. Ze gebruikten een kant-en-klaar, zelfconfigurerend AI-instrument (nnU-Net) dat zichzelf automatisch aanpaste om bij de data te passen, zoals een pak dat door een robot op maat wordt gemaakt. Ze voegden een laatste polijststap toe om de randen van de gedetecteerde korrels aan te scherpen.

De Resultaten: Wie won de race?

Toen de eindscores werden opgeteld, waren de resultaten indrukwekkend. Alle vijf de teams slaagden erin de korrels met ongelooflijke nauwkeurigheid te vinden, met scores boven de 91% op een gewogen schaal. Het bleek dat het vinden van de kleine klontjes iets is waar moderne AI al erg goed in is, ongeacht welke specifieke strategie je gebruikt.

De tweede taak echter—het verschil aangeven tussen de bacteriële en de schimmeltype—was veel moeilijker. Hier varieerden de scores meer. Team Adrian nam de eerste plaats in beide categorieën met een gewogen score van 93,56% voor het vinden van de korrels en 96,14% voor het classificeren ervan. Team Macaroon kwam een krappe tweede.

De meest verrassende ontdekking was niet alleen wie er won, maar hoe ze wonnen. Het artikel suggereert dat er niet één enkele "perfecte" AI-architectuur is die alles verslaat. In plaats daarvan was de sleutel tot succes een combinatie van zaken: de data zorgvuldig opschonen, slimme strategieën gebruiken om op de juiste delen van de afbeelding te focussen, en soms gewoon een team van AI-modellen samen laten stemmen. Interessant genoeg ontdekte Team Minions dat het toevoegen van die extra "handgemaakte" aanwijzingen over de vorm van de korrel hun AI niet daadwerkelijk beter liet presteren dan wanneer de AI alleen van de foto's zelf zou leren. Dit suggereert dat de AI slim genoeg is om de belangrijke details zelf te ontdekken als de data goed zijn.

Wat dit betekent voor de toekomst

Het artikel concludeert dat AI absoluut klaar is om artsen te helpen bij het diagnosticeren van mycetoom, vooral op plaatsen waar deskundige pathologen moeilijk te vinden zijn. De uitdaging bewees dat we betrouwbare hulpmiddelen kunnen bouwen om deze ziekten op te sporen. De auteurs waarschuwen echter dat dit pas het begin is. De huidige AI-modellen zijn getraind op een specifieke set foto's en zullen mogelijk meer oefening nodig hebben met verschillende soorten afbeeldingen en kleuringsmethoden voordat ze in elk ziekenhuis ter wereld kunnen worden gebruikt.

De belangrijkste les is dat, hoewel de technologie krachtig is, het geheime ingrediënt niet alleen een fancy nieuw computerprogramma is; het is de kwaliteit van de data en de zorg die wordt besteed aan de voorbereiding. Net zoals een chef verse ingrediënten nodig heeft om een geweldige maaltijd te maken, heeft AI schone, goed georganiseerde data nodig om geweldige diagnoses te stellen. De uitdaging heeft een nieuwe standaard gezet, die de wereld laat zien dat we met de juiste samenwerking tussen mens en machine zelfs de meest hardnekkige verwaarloosde ziekten kunnen aanpakken.