Artificial Intelligence Algorithms for the Detection of Pathologies Related to Lung Cancer through Image Analysis using Convolutional Neural Networks and Data Augmentation: a systematic mapping of the literature

Longitudinale longkanker blijft een van de meest vormende bedreigingen voor de volksgezondheid wereldwijd, grotendeels omdat het vroegtijdig ontdekken ervan vaak het verschil is tussen leven en dood. De standaardmethode om de ziekte op te sporen houdt in dat er gedetailleerde driedimensionale beelden van de borstkas worden gemaakt met behulp van röntgenstraling, een proces dat computertomografie wordt genoemd. Deze beelden onthullen de ingewikkelde structuren binnenin de longen, waardoor artsen kunnen zoeken naar kleine, abnormale groeiingen die nodules worden genoemd. Het lezen van deze scans is echter een veeleisende taak die hoogopgeleide experts vereist om door duizenden afbeeldingen te zoeken, een knelpunt dat de diagnose kan vertragen en de toegang tot zorg kan beperken. In de afgelopen jaren is er een nieuw soort hulpmiddel opgekomen om deze specialisten te ondersteunen: kunstmatige intelligentie. Specifiek hebben onderzoekers computerprogramma's ontwikkeld die geïnspireerd zijn door het menselijk brein, bekend als neurale netwerken, die kunnen leren patronen in afbeeldingen te herkennen zoals een mens dat doet. Wanneer deze netwerken specifiek voor afbeeldingen zijn ontworpen, worden ze convolutionele neurale netwerken genoemd. Ze werken door een afbeelding te scannen en de belangrijkste kenmerken te benadrukken, zoals de vorm of textuur van een nodule, om te helpen bepalen of deze gevaarlijk is.

Een recente beoordeling van de wetenschappelijke literatuur, uitgevoerd door Pablo Ramirez Amador aan de Universidad Abierta Interamericana in Buenos Aires, neemt een nauwkeurige blik op hoe deze computersystemen momenteel worden gebruikt voor de detectie van longkanker. De studie onderzocht 96 wetenschappelijke artikelen die tussen 2015 en het heden zijn gepubliceerd, waarbij in belangrijke wetenschappelijke databases werd gezocht naar het meest relevante werk in het veld. Het doel was niet om één nieuwe machine te testen, maar om het volledige landschap van het bestaande onderzoek in kaart te brengen, om te begrijpen welke methoden het beste werken en waar de grootste hindernissen liggen. De onderzoekers richtten zich op twee specifieke technieken die veelbelovend zijn gebleken: transfer learning en data augmentation. Transfer learning stelt een computerprogramma dat al heeft geleerd om algemene objecten te herkennen, zoals katten of auto's, in staat om te worden aangepast voor de specifieke taak van het opsporen van longnodules, wat tijd en middelen bespaart. Data augmentation is een methode om meer trainingsmateriaal te creëren door bestaande afbeeldingen licht te veranderen—door ze te draaien, de grootte aan te passen of een beetje visuele ruis toe te voegen—zodat de computer veel meer variaties van hetzelfde ziet en robuuster leert te worden.

De review concludeerde dat deze kunstmatige intelligentie-instrumenten inderdaad in staat zijn om een zeer effectief alternatief te bieden voor de vroege diagnose van longkanker, waarbij ze vaak de sensitiviteit en specificiteit van menselijke experts evenaren. De geanalyseerde studies toonden aan dat het gebruik van vooraf getrainde netwerken, zoals de bekende VGG16 of ResNet, gecombineerd met data augmentation, leidt tot een hoge nauwkeurigheid bij het identificeren van niet-kleincellige longkanker, wat de meest voorkomende vorm van de ziekte is. De computermodellen zijn in staat om de complexe gegevens van CT-scans te verwerken en potentiële problemen te signaleren met een niveau van precisie dat suggereert dat ze een essentieel onderdeel van het diagnostisch proces kunnen worden. Het artikel maakt echter ook duidelijk dat deze technologie nog geen afgewerkt product is dat klaar is voor onmiddellijk, wijdverbreid gebruik in elk ziekenhuis. De onderzoekers identificeerden aanzienlijke uitdagingen die moeten worden opgelost voordat deze instrumenten in echte klinische omgevingen kunnen worden vertrouwd. Een belangrijk probleem is het gebrek aan gestandaardiseerde gegevens; verschillende ziekenhuizen gebruiken verschillende machines en protocollen, wat de computermodellen in verwarring kan brengen. Er zijn ook serieuze zorgen over de privacy van patiëntgegevens en de noodzaak om precies te begrijpen hoe de computer tot zijn conclusies komt, een kwaliteit die bekend staat als uitlegbaarheid (explainability), zodat artsen het advies dat zij ontvangen kunnen vertrouwen.

Uiteindelijk concludeert het werk dat hoewel kunstmatige intelligentie een enorme potentie heeft om de zorg voor patiënten met longkanker te verbeteren, het geen magische oplossing is die menselijke artsen zal vervangen. De weg vooruit vereist meer onderzoek om deze algoritmen te verfijnen en nieuwe regelgeving om ervoor te zorgen dat ze veilig, betrouwbaar en ethisch zijn. De review suggereert dat de toekomst van de detectie van longkanker ligt in een partnerschap waarbij deze krachtige computersystemen fungeren als een tweede paar ogen, die helpen om ziekten eerder en nauwkeuriger te ontdekken, maar alleen als de wetenschappelijke gemeenschap de huidige beperkingen met betrekking tot datakwaliteit en modeltransparantie aanpakt. Tot die tijd blijft de technologie een krachtige belofte in plaats van een volledig gerealiseerde standaard van zorg, wachtend op de noodzakelijke stappen om deze veilig naar de kliniek te brengen.