Clinlabomics-Based Machine Learning Models for Risk Warning of Multi-Type Gastrointestinal Cancers

Stel je het menselijk lichaam voor als een bruisende, hoogtechnologische stad. Elke dag gaan miljoenen kleine werkers (cellen) door met hun werk en het managementsysteem van de stad (je bloed en organen) stuurt dagelijkse rapporten over hoe de zaken ervoor staan. Meestal zijn deze rapporten slechts routinematige controles: "Het verkeer is licht," "Energiepeil is normaal," "Geen vertragingen door werkzaamheden." Maar soms begint er een stille, gevaarlijke rebellie in een specifste wijk—zoals het spijsverteringskanaal. Deze rebellie is kanker. Lange tijd was de enige manier om deze rebellie vroegtijdig te ontdekken het sturen van een speciaal inspectieteam (een endoscopie) om fysiek rond te kijken. Maar dit team is duur, een beetje eng voor de inwoners van de stad, en kan niet elke dag elk gebouw in de stad controleren. Daarom hebben wetenschappers gezocht naar een betere manier: een "rookmelder" die de routinematige dagelijkse rapporten van de stad kan lezen en roept: "Hé, er is iets mis in District 5!" voordat de brand zelfs maar is uitgebroken. Dit is de wereld van Clinlabomics—een chique woord voor het gebruik van machine learning (superintelligente computerprogramma's die leren van patronen) om verborgen aanwijzingen te vinden in gewone bloedtesten en medische geschiedenis. De grote vraag is: Kunnen we een digitale detective bouwen die deze vroege waarschuwingssignalen opspoort met behulp van alleen de goedkope, alledaagse testen die mensen al bij hun lokale kliniek krijgen?

Maak kennis met GaSeek, een nieuwe digitale detective ontwikkeld door een team van onderzoekers van vier ziekenhuizen in China. Ze hebben niet zoma van gokken; ze hebben hun detective getraind op een enorme bibliotheek van 115.032 echte patiëntendossiers, variërend van gezonde mensen tot mensen met bevestigde maag- en darmkanker. Denk eraan als het trainen van een superintelligente AI om het "vitale functies"-rapportcijfer van een persoon te lezen. Het team voerde de computer duizenden datapunten—dingen zoals hoeveel zuurstof je bloed vervoert (hemoglobine), hoe goed je lever werkt (albumine), je leeftijd en je drinkgewoonten. Ze leerten de AI om de subtiele, bijna onzichtbare patronen te herkennen die verschijnen wanneer er een tumor in het spijsverteringskanaal broeit, zelfs in de vroegste, stilste stadia.

De resultaten? De detective is verrassend scherp. Wanneer getest op nieuwe, onbekende data, identificeerde GaSeek het risico op tumoren in het spijsverteringskanaal met een nauwkeurigheidsscore (een AUC genoemd) van 0,960 in zijn eigen ziekenhuis en 0,852 wanneer het werd getest op patiënten uit andere steden. Dat is een zeer hoge score, wat betekent dat het veel beter is in het raden wie ziek is dan een willekeurige muntworp. Het meest interessante deel? De detective had geen dure, zeldzame of futuristische tests nodig. Het vertrouwde op de meest voorkomende, saaie bloedtesten die je in elke standaard gezondheidscontrole vindt. Sterker nog, toen de onderzoekers GaSeek vergeleken met de traditionele "tumormarkers" (speciale bloedtesten die vaak voor kanker worden gebruikt), presteerde GaSeek zelfs beter. Het blijkt dat de combinatie van eenvoudige, alledaagse getallen een rijker verhaal vertelt dan de gespecialiseerde tests alleen.

De onderzoekers ontdekten ook dat de "oren" van de detective zijn afgestemd op twee specifieke signalen: Albumine (ALB) en Hemoglobine (HGB). In onze stad-analogie: als de energievoorziening van de stad (albumine) laag is en de zuurstoftransportwagens (hemoglobine) op leeg draaien, weet de detective dat hij de spijsverteringswijk onmiddellijk moet onderzoeken. Deze twee factoren waren de grootste aanwijzingen, gevolgd door leeftijd en geslacht. Het model is zo goed dat het zelfs tumoren kan opsporen die net beginnen te vormen (vroeg stadium), wat de moeilijkste taak voor elke detector is.

Maar hier komt de twist: de detective is niet perfect in zeggen "Je bent definitief gezond." Hij is veel beter in zeggen "Je loopt definitief risico." Wanneer de onderzoekers de detective heel streng instelden over wie het als "hoog risico" markeert, werd hij ongelooflijk nauwkeurig in het vangen van de slechteriken (met een succespercentage van 99,11% in het vangen van ware positieven in externe tests). Echter, als hij je als "laag risico" markeert, is dat geen 100% garantie dat je veilig bent; het betekent alleen dat je minder waarschijnlijk een onmiddellijke, invasieve inspectie nodig hebt. Het team heeft het model ook getest in "real-world" scenario's, zoals mensen die komen voor routinematige controles of mensen die in het ziekenhuis liggen voor andere redenen (zoals botbreuken of oogproblemen). Ze ontdekten dat de detective het beste werkt op gezonde mensen die routinecontroles ondergaan. Wanneer de stad al chaotisch is door andere problemen (zoals een ziekenhuis vol zieke mensen), raakt de detective een beetje in de war en geeft hij meer valse alarmen.

Om dit voor iedereen bruikbaar te maken, hebben de onderzoekers de code niet alleen in een lab gehouden. Ze hebben een gratis, online webapp gebouwd genaamd GaSeek (Gastrointestinal Cancers Seek). Iedereen kan zijn routematige laboratoriumresultaten invoeren, en de app zal direct hun risiconiveau aangeven. Als de app zegt dat je een hoog risico loopt, suggereert het dat je misschien met een arts wilt praten over een nadere inspectie (een endoscopie). Als het zegt dat je een laag risico loopt, kan het je behoeden voor een onnodige, enge en dure reis naar de dokter. De onderzoekers noemen dit een "Screening Efficiency Gain" (winst in screeningsefficiëntie). In de setting van een gezondheidscontrole betekende het gebruik van GaSeek dat ze 15,70 keer meer tumoren konden vinden door alleen de mensen met een hoog risico te controleren, in plaats van iedereen te controleren.

Het artikel geeft toe dat dit een "retrospectieve" studie is, wat betekent dat ze terugkeken naar oude gegevens. Ze hebben het nog niet getest in een live, vooruitblikkend experiment waarbij ze mensen over een langere tijd volgen om te zien of het model voorspelt wie er kanker zal krijgen. Ze merken ook op dat het model is getraind op Chinese populaties, dus het moet mogelijk opnieuw worden getraind voor mensen in andere delen van de wereld met andere diëten en genetica. Maar de kern van het idee is solide: door machine learning te gebruiken om te luisteren naar de fluisteringen van onze alledaagse bloedtesten, kunnen we spijsverteringskankers eindelijk vroegtijdig ontdekken, waardoor levens worden gered zonder iedereen te laten schrikken met een volledige lichaamsinspectie. Het is geen toverstaf, maar het is een zeer krachtige zaklamp voor de donkere hoeken van onze spijsverteringsgezondheid.