Learning Prostate Anatomy at Test Time for Cancer Detection in Micro-Ultrasound

In de strijd tegen prostaatkanker vertrouwen artsen op een naald om kleine stukjes weefsel uit de prostaatklier te nemen, een klein orgaan dat zich net onder de blaas bij mannen bevindt. Om deze naald te begeleiden, gebruiken ze traditioneel echografie, een veilige en draagbare beeldvormingstool die geluidsgolven gebruikt om in het lichaam te kijken. Echter, standaard echografie heeft vaak moeite om het zachte weefsel duidelijk genoeg weer te geven om verdachte plekken op te sporen, wat ertoe leidt dat artsen veel willekeurige monsters nemen in de hoop het doel te raken. Dit kan leiden tot het missen van kankers of het veroorzaken van onnodige procedures. Een nieuwere, scherpere versie van deze technologie, genaamd micro-echografie, gebruikt hogere frequenties om veel duidelijkere beelden te produceren, wat een manier biedt om verdachte gebieden met een precisie te zien die wedijvert met duurdere en complexere scans zoals MRI. Toch, zelfs met deze betere technologie, faalt een computerprogramma dat getraind is om kanker te herkennen op beelden van één ziekenhuis vaak wanneer het wordt geconfronteerd met beelden van een ander ziekenhuis. Dit gebeurt omdat de machines, de instellingen en de manier waarop de beelden worden gemaakt per locatie variëren, wat een "domeinverschuiving" creëert die de kunstmatige intelligentie in verwarring brengt.

Onderzoekers hebben lang geprobeerd dit op te lossen door computers te leren zich aan te passen tijdens het proces, maar de meeste bestaande methoden vertrouwen op het gissen naar hoe de beeldstatistieken eruit zouden moeten zien, waarbij ze vaak de werkelijke vorm van het gescande lichaamsdeel negeren. Een team van wetenschappers heeft nu een andere aanpak voorgesteld die zich richt op de anatomie zelf. Ze ontwikkelden een systeem genaamd ANT, dat de computer helpt om de vorm van de prostaatklier opnieuw te leren begrijpen telkens wanneer deze naar een nieuwe patiënt van een andere kliniek kijkt. In plaats van alleen te proberen de kanker te raden, vraagt het systeem de computer eerst om de gehele prostaatklier te omlijnen, waarbij een vooraf getrainde gids wordt gebruikt om een ruwe kaart te maken van waar het orgaan zich moet bevinden. Door de computer te dwingen zijn interne begrip af te stemmen op deze anatomische kaart, corrigeert het systeem de verwarring die wordt veroorzaakt door verschillende machines en instellingen. Dit stelt de kankerdetectie in staat om betrouwbaar te werken over verschillende ziekenhuizen heen zonder dat er voor elke locatie nieuwe gelabelde gegevens nodig zijn.

De studie testte dit idee met behulp van gegevens uit twee grote klinische studies waarbij honderden patiënten betrokken waren. De computer werd eerst getraind op beelden van een set ziekenhuizen met een oudere generatie micro-echografiescanners. Vervolgens werd de computer gevraagd om kanker te detecteren bij patiënten uit twee andere ziekenhuizen met nieuwere scanners, een scenario waarin standaard computermodellen gewoonlijk moeite hebben. De onderzoekers vergeleken hun nieuwe methode met verschillende andere technieken die proberen modellen aan te passen op het moment van testen. De resultaten lieten zien dat de nieuwe aanpak de nauwkeurigheid van de kankerdetectie aanzienlijk verbeterde. Wanneer er naar individuele naaldmonsters werd gekeken, identificeerde het systeem kanker ongeveer 2,9 procent vaker dan een model dat helemaal niet aanpaste. Op het niveau van de gehele patiënt was de verbetering zelfs groter en bereikte deze 3,6 procent. Deze winst was consistent over beide testlocaties, terwijl andere adaptatiemethoden de prestaties in de ene locatie vaak verbeterden terwijl ze deze in een andere locatie verslechterden.

Wat deze bevinding bijzonder robuust maakt, is dat de verbetering standhield, zelfs wanneer de initiële schatting van de computer over de vorm van de prostaat niet perfect was. De onderzoekers controleerden gevallen waarin de gidskaart slechts gedeeltelijk correct was en stelden vast dat het systeem er nog steeds in slaagde de kankerdetectie te verbeteren. Dit suggereert dat de prostaatklier een stabiele genoeg referentiepunt is zodat de computer deze kan gebruiken als anker voor zijn begrip, zelfs wanneer de beeldkwaliteit of de machine-instellingen veranderen. De studie toonde ook aan dat deze methode goed werkt met verschillende soorten computerarchitecturen, niet alleen de architectuur die zij oorspronkelijk bouwden. Wanneer de techniek werd toegepast op een toonaangevend, geavanceerd model, verbeterde dezelfde aanpassingstechniek de prestaties, wat bewees dat het idee om anatomie als gids te gebruiken een algemene oplossing is en geen truc die specifiek is voor één softwareontwerp.

De onderzoekers ontdekten ook dat de computer alleen zijn vroegste lagen van verwerking hoefde aan te passen om deze resultaten te bereiken. Deze vroege lagen zijn verantwoordelijk voor het interpreteren van de basispatronen en texturen in de afbeelding, wat de onderdelen zijn die het meest waarschijnlijk veranderen wanneer de scanner of het protocol verandert. Door alleen deze initiële stappen bij te werken en de latere, complexere besluitvormingsonderdelen ongemoeid te laten, voorkwam het systeem overcorrectie en het verlies van het vermogen om kanker te herkennen. Deze zorgvuldige aanpassing voorkwam dat de computer in verwarring raakte door de veranderingen in het uiterlijk van de afbeelding, terwijl de kernkennis van hoe kanker eruitziet intact bleef. De studie merkte ook op dat de computer veel beter werd in het richten van zijn aandacht op de prostaat zelf, waardoor "activatie-lekkage" werd verminderd, waarbij het model ten onrechte gebieden buiten het orgaan als verdacht markeerde. Dit betekent dat het systeem niet alleen meer kankers vond, maar ook ophield met het als verdacht markeren van gezond weefsel, een cruciale stap voor het opbouwen van vertrouwen in geautomatiseerde medische hulpmiddelen.

Hoewel de resultaten veelbelovend zijn, benadrukken de onderzoekers voorzichtig dat de methode afhankelijk is van het hebben van een betrouwbare gids voor de vorm van de prostaat. Als de beelden zo verschillend zijn dat zelfs een algemene gids het orgaan niet kan identificeren, werkt het systeem mogelijk minder goed. De studie werd uitgevoerd op gegevens uit specifieke klinische trials en scannergeneraties, dus het moet nog worden afgeweken hoe de methode presteert onder nog extremere verschillen in apparatuur of patiëntenpopulaties. Het werk demonstreert echter een duidelijke weg vooruit: door kunstmatige intelligentie te funderen in de onveranderlijke anatomie van het menselijk lichaam, in plaats van alleen in de veranderlijke statistieken van de beelden, kunnen we medische hulpmiddelen bouwen die betrouwbaarder zijn en klaar voor echt wereldgebruik in diverse ziekenhuizen. Deze aanpak biedt een praktische manier om de kloof te overbruggen tussen het trainen van een computer in een laboratorium en het inzetten ervan om levens te redden in klinieken over de hele wereld.