Artificial Intelligence Devices for Image Analysis in Digital Pathology

Deze studie analyseert de markt van AI-gestuurde hulpmiddelen voor beeldanalyse in de digitale pathologie en concludeert dat, ondanks de groei van het aanbod, er een dringend tekort is aan transparante, rigoureuze validatie en bewijs voor klinisch nut, vooral bij IHC-producten.

De kern

De Digitale Pathologie: Een Reis door de AI-Revolutie (en de Gaten daarin)

Stel je voor dat een patholoog (een arts die ziektes onderzoekt onder een microscoop) vroeger urenlang naar duizenden kleine glasplaatjes met weefsel moest kijken. Dat was als het zoeken naar een naald in een hooiberg, maar dan met je ogen. Vandaag de dag is die hooiberg gedigitaliseerd. Maar er is nog iets groters aan het gebeuren: Artificial Intelligence (AI).

Deze wetenschappelijke studie kijkt naar de "app-winkel" voor deze digitale microscopen. De auteurs hebben gekeken naar honderden AI-programma's die pathologen moeten helpen. Hier is wat ze vonden, vertaald naar begrijpelijke taal.

1. De Supermarkt vol AI-Producten

De onderzoekers hebben de markt onderzocht en vonden 317 verschillende AI-producten.

• 90 producten zijn officieel goedgekeurd als medische hulpmiddelen (ze hebben een "CE-keurmerk", alsof ze een veiligheidssticker hebben).
• 227 producten zijn nog "alleen voor onderzoek" (RUO). Dit zijn als het ware prototypes of demo's die je nog niet in de echte kliniek mag gebruiken.

De Analogie:
Stel je voor dat je een nieuwe auto wilt kopen. Er zijn 90 auto's die al een keurmerk hebben en op de weg mogen. Maar er zijn ook 227 auto's die nog in de fabriek staan of op een testcircuit rijden. De meeste fabrikanten maken maar een paar modellen, maar een paar grote bedrijven maken er heel veel.

2. Waar zijn deze AI's goed in?

De meeste AI's zijn gespecialiseerd in één ding, net zoals een kok die alleen de beste pizza's maakt.

• Borstkanker: Dit is de populairste markt. Bijna de helft van alle AI's kijkt naar borstweefsel.
• Prostaat: Ook hier zijn veel tools voor, vooral om kanker te vinden en in te delen.
• IHC (Immunohistochemie): Dit is een speciale kleuring om bepaalde eiwitten te zien. De AI's die dit doen, kijken bijna uitsluitend naar borstkanker (om te zien of hormonen of andere markers aanwezig zijn).

De Metaphor:
Het is alsof je een winkel hebt vol met gereedschappen. Je hebt 50 hamers (voor borstkanker), maar slechts een paar schroevendraaiers (voor maag- of darmkanker). De winkel is dus erg ongelijk verdeeld.

3. Het Grootste Probleem: De "Bewijslast"

Dit is het belangrijkste punt van het artikel. Veel AI's zeggen: "Ik ben slim en kan kanker vinden!" Maar waar is het bewijs?

De onderzoekers keken of er echte studies waren die bewezen dat deze AI's ook echt werken in de praktijk.

• Helaas: Voor ongeveer de helft van de goedgekeurde AI's (die voor H&E-kleuring, de standaardkleuring) was er wel een studie. Maar voor de AI's die IHC-kleuring gebruiken, was er voor 75% geen enkel publiek bewijs te vinden.
• De Data: De studies die er wel zijn, gebruiken vaak maar één of twee ziekenhuizen als bron.
  • Analogie: Stel je voor dat je een nieuwe rijlesmethode wilt testen. Als je die alleen test op één school in één stad, weet je niet of het ook werkt in een ander land of bij andere leerlingen. Veel AI's zijn getest op "smalle" data. Ze werken misschien perfect in het ziekenhuis waar ze zijn ontwikkeld, maar falen als ze naar een ander ziekenhuis gaan met andere microscopen of andere weefselkleuringen.

4. De "Zwarte Doos" en de Regels

De regels voor deze AI's veranderen snel.

• Vroeger (onder de oude EU-regels) mochten fabrikanten zichzelf certificeren. Dat was als een kind dat zegt: "Ik heb mijn huiswerk zelf gecontroleerd, het is goed."
• Nu (onder de nieuwe regels) moet er een onafhankelijke toezichthouder kijken. Dat is als een leraar die het huiswerk echt nakijkt.
• Het probleem: Veel producten op de markt zijn nog volgens de oude, makkelijkere regels goedgekeurd. De nieuwe, strengere regels zijn nog niet volledig ingevoerd. Dit betekent dat er nu een mengelmoes is van producten: sommige zijn streng getest, andere minder.

5. Wat betekent dit voor de patiënt?

De auteurs concluderen dat we voorzichtig moeten zijn.

• Transparantie is key: We moeten weten wat een AI precies doet en hoe goed het echt werkt.
• Onafhankelijkheid: We hebben meer studies nodig die niet door de fabrikant zelf zijn betaald of uitgevoerd.
• Kosten vs. Baten: Ziekenhuizen moeten investeren in deze technologie. Maar als de AI niet goed werkt of alleen maar tijd kost, is het geld verspild.

De Eindconclusie in één zin:
De AI-revolutie in de pathologie is een enorme kans, maar we hebben nu een winkel vol met prachtige, belovende producten die nog te weinig "testrapporten" hebben om te bewijzen dat ze overal en altijd veilig werken. We moeten wachten tot de bewijslast groter is voordat we ze massaal gaan gebruiken.

Kortom: De technologie is er, de producten zijn er, maar het vertrouwen moet nog worden verdiend door meer onafhankelijk onderzoek.

Technische samenvatting

Probleemstelling

De implementatie van kunstmatige intelligentie (AI) voor beeldanalyse in de digitale pathologie neemt snel toe, aangedreven door de hoop op verbeterde diagnose, workflow-efficiëntie en het opvangen van een tekort aan pathologen. Ondanks deze optimisme is de klinische adoptie voorzichtig gebleven. De belangrijkste knelpunten zijn:

• Gebrek aan transparantie en centraal geregistreerde informatie: Er is geen centrale database voor AI-medische hulpmiddelen, waardoor het voor clinici moeilijk is om betrouwbare informatie over prestaties en validatie te vinden.
• Variabele kwaliteit van bewijs: Veel producten worden op de markt gebracht met beperkte of niet-onafhankelijke klinische validatiestudies.
• Regulatorische complexiteit: De overgang van de oude IVD-richtlijn (IVDD) naar de nieuwe IVD-verordening (IVDR) in de EU heeft geleid tot een markt met producten die onder verschillende regels zijn goedgekeurd, wat de vergelijkbaarheid bemoeilijkt.
• Data-variabiliteit: AI-modellen zijn vaak gevoelig voor variaties in scannermachines, kleuringstechnieken en populatiedemografie, wat de generaliseerbaarheid van prestaties in de echte wereld beperkt.

Methodologie

De auteurs voerden een uitgebreide analyse uit van de markt voor AI-producten voor digitale pathologie.

1. Identificatie van producten: Er werd een "grey literature"-zoekopdracht uitgevoerd (conferenties, databases, nieuwsbrieven) tussen mei en september 2025. Dit resulteerde in een initiële lijst van 564 leveranciers, die werd gereduceerd tot 75 leveranciers met AI-beeldanalyseproducten.
2. Categorisatie: Producten werden ingedeeld als CE-gemarkeerd (90 producten) of Research Use Only (RUO) (227 producten). De analyse focuste op producten die diep leren (DL) toepassen op histologische beelden (H&E, IHC, speciale kleuringen) en cytologie.
3. Data-extractie: Voor elk product werden kenmerken verzameld (subspecialty, functie, invoertype, regulatorische status).
4. Validatie-analyse: Voor CE-gemarkeerde producten (specifiek H&E en IHC) werden gepubliceerde studies opgezocht (PubMed, bioRxiv, etc.) om de kwaliteit van de klinische validatie te beoordelen. Hierbij werd gekeken naar:
   • Onafhankelijkheid van de studie (gefinancierd door de leverancier vs. onafhankelijk).
   • Samenstelling van de validatiedatasets (aantal patiënten, instellingen, landen, scanners).
   • Methodologie voor de "ground truth" (hoe werd de diagnose vastgesteld?).
   • Maatstaven voor klinische nuttigheid (bijv. tijdsbesparing, diagnose-accuratesse).

Belangrijkste Bijdragen

• Openbaar Register: De auteurs hebben een publiek register opgezet (https://osf.io/gb84r/overview) met gedetailleerde informatie over 317 AI-producten, inclusief hun regulatorische status en beschikbare bewijslast.
• Grootschalige Marktanalyse: Dit is een van de meest uitgebreide analyses tot nu toe van de AI-markt in de pathologie, met een focus op de verschillen tussen CE-gemarkeerde en RUO-producten.
• Kritische Evaluatie van Validatie: Het artikel levert een kritische blik op de kwaliteit van de datasets die worden gebruikt voor externe validatie, en benadrukt de tekortkomingen in diversiteit (landen, scanners) en onafhankelijkheid van studies.

Resultaten

• Marktomvang en Regulering: Er werden 90 CE-gemarkeerde en 227 RUO-producten geïdentificeerd. De meeste CE-producten (74%) zijn nog goedgekeurd onder de oude IVDD-regels (zelfcertificering), terwijl slechts 26% voldoet aan de strengere IVDR. Er zijn zeer weinig FDA-goedkeuringen in de VS.
• Toepassing en Specialisatie:
  • Borstpathologie domineert de markt (55% van CE-producten), gevolgd door urologie en gastro-intestinale pathologie.
  • IHC-producten zijn bijna uitsluitend gericht op borstkanker (Ki-67, ER, PR, HER2) en longkanker (PD-L1).
  • H&E-producten zijn diverser, met een sterke focus op kankerdetectie en grading in borst- en prostaatpathologie.
• Kwaliteit van Bewijs:
  • Publicaties met klinische validatie zijn beschikbaar voor slechts 55% van de H&E-producten en 28% van de IHC-producten.
  • Van de producten met publicaties is slechts een klein deel gebaseerd op onafhankelijke studies (23% voor H&E, 56% voor IHC). Veel studies worden uitgevoerd door of met medewerking van de leverancier.
  • Datasets: De externe validatie datasets zijn vaak klein en gebrekkig divers. Voor H&E-producten varieerde het aantal geteste gevallen van 50 tot 7.000, maar de meeste (12/18) testten op minder dan 2.500 whole slide images (WSI). Voor IHC-producten was dit nog lager (50-500 gevallen).
  • Scanners: Veel producten zijn slechts gevalideerd op 1 tot 3 verschillende scannermodellen, wat de robuustheid in diverse ziekenhuisomgevingen in twijfel trekt.
• Prestaties: In studies die beschikbaar waren, waren de sensitiviteit en specificiteit van AI-modellen voor kankerdetectie over het algemeen hoog (>0.9 en >0.8 respectievelijk) en vergelijkbaar met die van pathologen. Echter, er is weinig bewijs voor de daadwerkelijke klinische nuttigheid (workflow-impact, kosten-effectiviteit).

Betekenis en Conclusie

De studie concludeert dat hoewel de AI-markt in de pathologie snel groeit, er een groot gat bestaat tussen de beschikbaarheid van producten en de kwaliteit van het bewijs dat hun klinische nut ondersteunt.

• Transparantie is cruciaal: Er is een dringende behoefte aan onafhankelijke registers en transparante rapportage van productupdates en validatiegegevens.
• Rigoureuze validatie: Toekomstige validaties moeten gebruikmaken van grotere, meer diverse datasets (verschillende landen, scanners, populaties) en onafhankelijke studies om de prestaties in de echte wereld te garanderen.
• Klinische implementatie: Zonder solide bewijs van klinische nuttigheid en kosteneffectiviteit zullen pathologen en ziekenhuisbeheerders terughoudend blijven bij de adoptie, ondanks de technologische potentie.

Het artikel pleit voor een strategische aanpak waarbij de focus verschuift van het simpelweg ontwikkelen van nieuwe algoritmen naar het genereren van robuust, onafhankelijk bewijs dat de veiligheid en toegevoegde waarde in de klinische praktijk aantoont.