PolypVision: A Three-Stage Hierarchical Deep Learning Framework for Classification and Segmentation of Colorectal Polyps

De Gereedschapskist van de Detective: Een Reis door de Darmen

Stel je je lichaam voor als een enorme, kronkelende stad, en binnen die stad is de dikke darm een lange, donkere tunnel. Soms groeien er kleine bultjes, genaamd poliepen, op de wanden van de tunnel. Meestal zijn deze bultjes onschadelijk, zoals onschuldig onkruid in een tuin. Maar sommige zijn sluwe boelmakers die kunnen veranderen in iets veel gevaarlijkers, zoals een onkruid dat verandert in een doornige klimplant. De grote uitdaging voor artsen is om deze bultjes vroegtijdig te ontdekken en te bepalen welke de "onkruiden" zijn en welke de "klimplanten", voordat ze problemen veroorzaken.

Om dit te doen, gebruiken artsen een speciale camera op een lange, flexibele slang (een endoscoop) om foto's te maken binnen de tunnel. Maar het bekijken van duizenden van deze foto's is hard werk, en zelfs deskundige artsen kunnen het soms oneens zijn over wat ze zien. Hier komt de informatica om de hoek kijken met een hulpmiddel genaamd "deep learning". Denk aan deep learning als een superintelligente student die miljoenen plaatjes heeft bestudeerd. Het leert patronen te herkennen—zoals de vorm van een bult of de textuur van de huid—veel sneller dan een mens dat kan. Het doel is niet om de arts te vervangen, maar om hem een high-tech assistent te geven die nooit moe wordt en de kleine details kan ontdekken die mogelijk over het hoofd worden gezien.

Maak kennis met PolypVision: De Detective met Drie Stappen

In dit artikel introduceert een team van onderzoekers een nieuw computerprogramma genaamd PolypVision. Je kunt PolypVision zien als een driestaps detective-eenheid die is ontworpen om het mysterie van colorectale poliepen op te lossen. In plaats van alleen naar een plaatje te kijken en te gokken, werkt deze eenheid in een specifieke volgorde, waarbij aanwijzingen van de ene detective naar de volgende worden doorgegeven om het hele verhaal te begrijpen.

Stap 1: De Poortwachter (Is het een probleem?)
De eerste detective, gebouwd op een slim brein genaamd EfficientNetV2-M, kijkt naar een afbeelding en stelt een simpele vraag: "Is dit een onschuldige bult (hyperplastisch) of een risicovolle bult (adenomatous)?" Maar deze detective is extra scherp. Terwijl hij beslist, beschrijft hij ook de vorm van de bult en de minuscule oppervlaktepatronen (bekend als de Paris- en JNet-classificaties). Om te voorkomen dat hij in de war raakt door zeldzame gevallen, gebruikt hij een speciale truc genaamd Focal Loss, wat vergelijkbaar is met tegen de computer zeggen: "Let extra goed op de lastige, zeldzame bulten!"

Stap 2: De Omlijner (Waar eindigt het?)
Zodra de eerste detective zegt: "Ja, dit is een risicovolle bult," neemt de tweede detective het over. Deze gebruikt een tool genaamd UNet++ om pixel voor pixel een perfecte omtrek rond de bult te tekenen. Stel je voor dat je met een laserpointer een vorm op een kaart traceert; dat is wat deze stap doet. Het bepaalt precies waar de bult begint en eindigt. Maar het stopt daar niet! Op basis van de grootte en vorm die het zojuist heeft getraceerd, stelt deze detective ook de beste manier voor om de bult te verwijderen—of dat nu met een eenvoudige koude lus (cold snare), een standaard verwijdering, of een meer geavanceerde techniek is. Het leert van de aantekeningen van de eerste detective, zodat het al weet wat voor soort bult het bekijkt.

Stap 3: De Sub-Classificator (Wat voor boelmaker is het?)
Als de bult bevestigd is als risicovol, stapt de derde detective in. Deze zoomt in om de risicovolle bulten in te delen in drie specifieke families: tubulair, tubulovillous of villous. Denk hierbij aan verschillende hondenrassen; ze lijken allemaal op honden, maar sommige kunnen meer problemen veroorzaken dan andere. Deze detective gebruikt de kennis die in de vorige stappen is opgedaan om een zeer nauwkeurige gok te doen. Om beter te leren, gebruikte het team een techniek genaamd MixUp, wat vergelijkbaar is met het mengen van twee verschillende plaatjes om een nieuw trainingsvoorbeeld te creëren, waardoor de computer begrijpt dat bulten er iets anders uit kunnen zien, maar toch van hetzelfde type kunnen zijn.

Wat hebben ze gevonden?

De onderzoekers hebben PolypVision getest op drie verschillende sets afbeeldingen uit de publieke wereld (datasets genaamd PolypGen, Kvasir-SEG en CVC-ClinicDB). De resultaten waren indrukwekkend.

• Super Accuraat: Wat betre gaat over het classificeren van de frames, behaalde PolypVision een AUC van ongeveer 0,99. In de wereld van computertesten is dit vergelijkbaar met een score van 99% halen op een zeer moeilijk examen. Het presteerde net zo goed als, of zelfs beter dan, de beste methoden die momenteel beschikbaar zijn.
• Goed in het vinden van bulten: Op de Kvasir-SEG dataset vond en identificeerde het de poliepen correct met een score van 94,4% mAP@50. Dit betekent dat het erg goed was in het opsporen van de bulten en het tekenen van de juiste kaders eromheen.
• Het weet waar het naar kijkt: Het team gebruikte een tool genaamd Grad-CAM om te zien waar de computer naar "keek" toen hij zijn beslissingen nam. De heatmaps lieten zien dat de computer zich concentreerde op de werkelijke bulten en hun texturen, en niet alleen op willekeurige delen van de afbeelding. Ze merkten echter ook op dat wanneer de computer een fout maakte, hij soms naar het verkeerde gebied keek, wat hen een aanwijzing geeft over hoe ze het later kunnen verbeteren.

Waarom dit ertoe doet

Het meest opwindende deel van PolypVision is dat het geen speciale camera nodig heeft om te werken. Het is device-onafhankelijk, wat betekent dat het afbeeldingen kan bekijken van bijna elke standaard endoscoop, of het nu een oud model of een nieuw model is, zonder dat het voor specifieke hardware opnieuw moet worden afgesteld.

De onderzoekers hebben dit hulpmiddel zelfs voor iedereen beschikbaar gemaakt als een gratis webapplicatie op https://polypvision.com. Ze suggereren dat deze driestaps, "hiërarchische" aanpak—waarbij elke stap voortbouwt op de vorige—een sterke manier is om de complexe taak van het analyseren van poliepen aan te pakken. Hoewel het systeem veelbelovend is, merkt de auteur voorzichtig op dat het nog steeds getest moet worden in echte ziekenhuizen met nieuwe patiënten om te bewijzen dat het in elke situatie perfect werkt. Voor nu is het een krachtige, gratis en zeer nauwkeurige assistent die artsen kan helpen om problemen vroegtijdig te ontdekken, direct vanaf hun scherm.