Deep learning-based computed tomography (CT) derived body composition classifier for colorectal cancer patients
Deze studie toont aan dat geoptimaliseerde deep learning-modellen, met name GoogLeNet en AlexNet, de CT-afgeleide lichaamssamenstellinganalyse voor colorectale kankerpatiënten nauwkeurig en snel kunnen automatiseren, wat een haalbare oplossing biedt om de tijd en expertise die vereist zijn voor handmatige segmentatie in klinische workflows te verminderen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de strijd tegen kanker vertrouwen artsen al lang op een simpel getal om de algehele gezondheid van een patiënt te peilen: de Body Mass Index, of BMI. Deze berekening, waarbij het gewicht van een persoon wordt gedeeld door de lengte, biedt een snelle inkijk in of iemand ondergewicht, een normaal gewicht of overgewicht heeft. Echter, voor patiënten met colorectale kanker vertelt dit getal slechts een deel van het verhaal. Een persoon kan een hoge BMI hebben en er goed gespierd uitzien, terwijl diegene in het geheim lijdt aan een gevaarlijke aandoening genaamd sarcopenische obesitas. In deze staat heeft het lichaam aanzienlijke hoeveelheden vitale spierweefsel verloren, die zijn vervangen door vet. Dit verborgen spierverlies is een sterke voorspeller van slechte overlevingskansen en een lagere kwaliteit van leven, maar standaard gewichtstabellen kunnen dit niet zien. Om de werkelijke fysiologische kracht van een patiënt te begrijpen, moeten artsen in het lichaam kijken om de werkelijke hoeveelheid spier en vet te meten.
Decennialang was de meest nauwkeurige manier om dit interne landschap te zien via Computertomografie, oftewel CT-scans. Deze medische beelden bieden een gedetailleerde dwarsdoorsnede van het lichaam, waardoor specialisten het oppervlak van de skeletspieren en de dichtheid van dat spierweefsel kunnen meten. Ze kunnen ook de hoeveelheid vet die net onder de huid is opgeslagen en het vet rond de interne organen kwantificeren. Deze metingen zijn cruciaal omdat ze de werkelijke nutritionele status van het lichaam onthullen, wat artsen helpt te voorspellen hoe goed een patiënt een operatie zal overleven of chemotherapie zal verdragen. Toch worden deze scans, ondanks hun levensreddende potentieel, zelden voor dit doel gebruikt in de routinematige ziekenhuiszorg. De reden is niet een gebrek aan technologie, maar een gebrek aan tijd. Het handmatig meten van deze gebieden op een computerscherm is een ongelooflijk traag en tijdrovend proces dat een hoogopgeleide expert vereist om de omtrek van elke spier en vetophoping te traceren. Een enkele scan kan een specialist uren kosten om te analyseren, wat het onmogelijk maakt om deze methode voor elke patiënt die binnenloopt te gebruiken.
Een team van onderzoekers aan de Universiteit van Glasgow zette zich in om deze flessenhals op te lossen door computers te leren meten. Hun doel was om een systeem te bouwen dat een CT-scan kan bekijken en automatisch de exacte hoeveelheid spier en vet kan berekenen, precies zoals een menselijke expert dat zou doen, maar in een fractie van de tijd. Ze testten verschillende soorten kunstmatige intelligentie, bekend als deep learning-modellen, die zijn ontworpen om patronen in afbeeldingen te herkennen. De onderzoekers voedden deze computerprogramma's met duizenden CT-scans van patiënten met colorectale kanker, samen met de correcte metingen die menselijke experts al hadden berekend. De computer leerde vervolgens de visuele kenmerken van spier en vet te herkennen, waardoor hij uiteindelijk in staat was om deze waarden op eigen kracht te voorspellen.
De studie toonde aan dat de computer deze complexe taak inderdaad met opmerkelijke nauwkeurigheid kon leren. Onder de verschillende modellen die zij testten, bleek één architectuur, bekend als GoogLeNet, het meest vaardig in het schatten van het oppervlak van de skeletspieren. Het maakte een fout van minder dan vijf procent vergeleken met de menselijke gouden standaard. Een ander model, genaamd AlexNet, presteerde het best bij het meten van de dichtheid van het spierweefsel, met een foutpercentage van net boven de acht procent. Deze cijfers zijn significant omdat ze laten zien dat de computer niet zomaar gokt; het levert resultaten die statistisch zeer dicht bij die van een menselijke specialist liggen. De onderzoekers ontdekten ook dat de computer iets meer moeite had met het meten van vetgebieden, met name het vet onder de huid, dat moeilijker te onderscheiden is van de achtergrond in een scan. Ondanks deze kleine uitdagingen classificeerde het systeem patiënten echter ongeveer tachtig procent van de tijd correct in risicocategorieën, waarbij het succesvol diegenen met gevaarlijke niveaus van spierverlies identificeerde.
Om ervoor te zorgen dat deze technologie daadwerkelijk in een druk ziekenhuis gebruikt kan worden, stopte het team niet bij alleen het bouwen van het model. Ze verpakten de best presterende computerprogramma's in een eenvoudige webapplicatie. Met dit hulpmiddel kan een arts een enkele afbeelding van de CT-scan van een patiënt uploaden, samen met basisgegevens zoals de lengte en het gewicht van de patiënt. Binnen enkele seconden berekent het systeem het spieroppervlak en de dichtheid, zet deze om in een gestandaardiseerde score en vertelt de arts of de patiënt een hoog risico loopt. Het hele proces duurt minder dan een seconde per scan, een snelheid die het mogelijk maakt om dit voor elke patiënt toe te passen. De onderzoekers benadrukten dat ze deze specifieke computermodellen kozen omdat ze lichtgewicht en efficiënt genoeg zijn om op standaard ziekenhuisapparatuur te draaien, waardoor de noodzaak voor de dure, gespecialiseerde supercomputers die vaak nodig zijn bij nieuwere, complexere AI-systemen, wordt vermeden.
Hoewel de resultaten veelbelovend zijn, merkten de onderzoekers er voorzichtig bij op dat dit een pilotstudie is, wat betekent dat het een eerste stap is en geen definitieve oplossing. Het systeem werd getest op een relatief kleine groep patiënten van een enkel ziekenhuis in Glasgow. Dit beperkt hoe goed het hulpmiddel zou werken bij mensen met andere achtergronden of verschillende lichaamsbouw, aangezien de computer leerde van een specifieke set afbeeldingen. De studie toonde ook aan dat het hulpmiddel iets minder nauwkeurig was voor bepaalde groepen, zoals vrouwen en mannen met een lager lichaamsgewicht, wat suggereert dat toekomstige versies aangepast moeten worden om deze variaties eerlijk te behandelen. Ondanks deze beperkingen laat het werk zien dat de droom van geautomatiseerde lichaamssamenstelling-analyse binnen handbereik ligt. Door een arbeidsintensieve, urenlange taak te veranderen in een kwestie van seconden, heeft deze technologie het potentieel om een vitaal diagnostisch instrument naar de dagelijkse klinische praktijk te brengen, zodat er geen enkel patiënt met verborgen spierverlies onopgemerkt blijft.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.