MRI Radiomics Meets Artificial Intelligence: Development and Validation of a Random Forest Model for Brain Tumor Classification in Sudanese Patients

De Onzichtbare Aanwijzingen in een Hersenscan

Stel je voor dat je een detective bent die een mysterie probeert op te lossen, maar het enige bewijs dat je hebt, is een zwart-witfoto. Soms laat de foto een duidelijke, onschadelijke bult zien; andere keren laat het een gevaarlijk, groeiend monster zien. Het probleem is dat deze twee zaken voor het blote oog verrassend veel op elkaar kunnen lijken. Dit is de dagelijkse uitdaging voor artsen die proberen te achterhalen of een hersentumor "benigne" (onschadelijk) of "maligne" (gevaarlijk) is. Zij vertrouwen op MRI-scans, die als superkrachtige camera's zijn die met magneten in plaats van licht foto's maken van de binnenkant van je hoofd. Maar menselijke ogen kunnen vermoeid raken, en soms kunnen twee artsen naar dezelfde afbeelding kijken en van mening verschillen over wat ze zien.

Om dit op te lossen, hebben wetenschappers een nieuw soort detectivewerk uitgevonden genaamd Radiomics. Denk aan een standaard MRI-scan als een schilderij. Een radioloog kijkt naar het schilderij en zegt: "Dat ziet eruit als een tumor." Radiomics is echter als het nemen van dat schilderij en het afbreken tot miljoenen kleine pixels, om vervolgens de exacte grijstint, de textuur en de vorm van elk afzonderlijk deel te meten. Het verandert de afbeelding in een enorme spreadsheet van getallen die het menselijk oog niet kan zien, maar die een computer wel kan lezen. Door deze getallen in te voeren in Artificiële Intelligentie (AI)—specifiek een type computerbrein genaamd een Random Forest—hopen wetenschappers de computer te leren de verborgen patronen te herkennen die het verschil aangeven tussen een onschadelijke bult en een gevaarlijke, zonder dat er in de patiënt hoeft te worden gesneden. Dit artikel stelt een eenvoudige maar vitale vraag: Kan dit digitale detectivewerk artsen in Soedan helpen betere beslissingen te nemen over hersentumoren?

De Digitale Detective in Soedan

In dit onderzoek besloot een team van onderzoekers van de Alzaiem Alazhari Universiteit in Soedan om hun eigen digitale detective te bouwen. Ze wilden zien of ze een computermodel konden creëren dat Soedanese artsen helpt het verschil te zien tussen benigne en maligne hersentumoren door alleen naar MRI-scans te kijken. Ze verzamelden een groep van 120 patiënten die al de diagnose hersentumor hadden gekregen. De helft van hen (60 patiënten) had benigne tumoren, en de andere helft (60 patiënten) had maligne tumoren. Dit waren echte gevallen, bevestigd door het weefsel onder een microscoop te bekijken, zodat de onderzoekers zeker wisten welke groep welke was.

Eerst moest het team de gegevens voorbereiden. Ze namen de MRI-beelden en maakten ze schoon, waarbij ze ervoor zorgden dat de kleuren en groottes consistent waren, vergelijkbaar met het aanpassen van de helderheid en het contrast op een foto zodat alles er hetzelfde uitziet. Vervolgens tekende een deskundig radioloog handmatig een lijn rond de tumor op elk beeld om de computer precies te vertellen waar de probleemplek zat. Zodra de tumoren geïsoleerd waren, gebruikten ze een speciaal computerprogramma om meer dan 100 verschillende "aanwijzingen" uit elke tumor te halen. Deze aanwijzingen omvatten zaken als hoe bobbelig het oppervlak van de tumor was, hoe de grijze pixels waren gerangschikt en hoe intens de kleuren waren.

Uit deze enorme lijst met aanwijzingen selecteerde het team handmatig de zes beste—de meest betrouwbare verdachten—om in hun model te gebruiken. Vervolgens leerden ze een Random Forest-algoritme (een type machine learning dat werkt als een groep experts die over een beslissing stemt) hoe ze deze zes aanwijzingen moesten gebruiken om te raden of een tumor benigne of maligne was. Ze verdeelden hun gegevens in twee groepen: een "trainingsgroep" om de computer te onderwijzen, en een "testgroep" om te zien of de computer daadwerkelijk iets had geleerd.

Wat de Computer Vond

Toen de computer zijn eindexamen aflegde op de testgroep, had hij het in 71% van de gevallen goed. Dat betekent dat als je het model 100 nieuwe hersenscans zou laten zien, het het type tumor voor ongeveer 71 van hen correct zou raden. Het model was bijzonder goed in het opsporen van de gevaarlijke gevallen, waarbij het 75% van de maligne tumoren ontdekte (dit wordt sensitiviteit genoemd). Het was echter niet perfect; het miste enkele maligne gevallen en raakte soms in de war bij benigne gevallen, wat resulteerde in een specificiteit van 66,7%. De algemene score, de F1-score genoemd, was 0,72, en de area under the curve (AUC), die meet hoe goed het model de twee groepen van elkaar scheidt, was 0,764.

De onderzoekers keken ook naar de achtergrond van de patiënten om te zien of zaken als leeftijd of geslacht hielpen bij het voorspellen van het tumortype. Ze ontdekten dat leeftijd en geslacht er eigenlijk niet toe deden; de computer had niet te weten te komen of de patiënt een 20-jarige man of een 60-jarige vrouw was om een goede gok te doen. Ze vonden echter iets interessants over de grootte van de tumor. Patiënten met grotere tumoren hadden veel meer kans op neurologische symptomen (zoals hoofdpijn of zwakte) dan patiënten met kleinere tumoren. De wiskunde toonde deze link zeer sterk aan, met een p-waarde van minder dan 0,01.

Het Vonnis en de Kanttekeningen

De studie concludeert dat het gebruik van MRI-radiomics met een Random Forest-model een haalbare manier is om hersentumoren in Soedan te classificeren. Het suggereert dat deze aanpak een nuttig, niet-invasief hulpmiddel kan zijn voor artsen die mogelijk geen toegang hebben tot de meest geavanceerde apparatuur, waarbij een tweede mening wordt geboden op basis van getallen in plaats van alleen een vluchtige blik. Het model suggereert dat het de klinische besluitvorming kan ondersteunen en de diagnostische nauwkeurigheid kan verbeteren.

De auteurs zijn echter voorzichtig om dit geen voltooide oplossing te noemen. Ze wijzen erop dat hun groep van 120 patiënten relatief klein is, en omdat ze alleen naar gegevens van één ziekenhuis uit het verleden hebben gekeken, werkt het model mogelijk niet exact hetzelfde voor iedereen. Ze merkten ook op dat de computer nog steeds fouten maakte, waarbij sommige maligne tumoren werden gemist, wat een ernstig probleem is in de geneeskunde. De onderzoekers suggereren dat voordat dit hulpmiddel breed in ziekenhuizen kan worden gebruikt, het getest moet worden op veel grotere groepen mensen uit verschillende plaatsen. Ze raden ook aan om in de toekomst meer soorten MRI-scans en nog geavanceerdere computermethoden toe te voegen. Voor nu is deze studie een veelbelovende eerste stap, die laat zien dat de "digitale detective" potentie heeft, maar dat hij nog meer training nodig heeft voordat hij de zaak zelfstandig kan oplossen.