Development and validation of an artificial intelligence-based virtual indigo carmine chromoendoscopy model: a multicenter study

Binnen het menselijk lichaam is de bekleding van de maag en de dikke darm een landschap van subtiele plooien en dalen. Om vroege tekenen van kanker in dit terrein te vinden, vertrouwen artsen vaak op een techniek genaamd chromoendoscopie. Bij deze procedure wordt een onschadelijke blauwe kleurstof op het weefsel gespoten. De kleurstof nestelt zich in de kleine depressies van het oppervlak, waardoor een contrastrijke kaart ontstaat die het veel gemakkelijker maakt om de randen van een verdachte groei of de fijne details van de weefselstructuur te zien. Deze visuele verbetering is cruciaal voor het opsporen van kanker voordat het zich verspreidt, maar het proces is traag, vereist een vaste hand en hangt sterk af van de vaardigheid van de arts die het uitvoert. Voor veel ziekenhuizen, vooral die met minder middelen, maken de kosten en de complexiteit van geavanceerde elektronische beeldvormingssystemen dit handmatige spuiten van kleurstof de enige optie, ondanks de inherente moeilijkheden.

Een team van onderzoekers van ziekenhuizen uit China heeft een nieuwe manier ontwikkeld om deze visuele helderheid te bereiken zonder ooit een spuitfles aan te raken. Ze hebben een systeem met kunstmatige intelligentie ontwikkeld dat een standaard, gewone witlichtafbeelding van de maag of dikke darm kan nemen en deze onmiddellijk kan transformeren naar een foto die er precies zo uitziet alsof er blauwe kleurstof is aangebracht. Deze "virtuele kleuring"-technologie heeft tot doel de diagnostische voordelen van de traditionele methode met kleurstof te bieden, terwijl de noodzaak voor de fysieke procedure wordt weggenomen, wat de vroege detectie van kanker potentieel sneller, veiliger en toegankelijker maakt.

De onderzoekers begonnen met het verzamelen van een enorme collectie medische beelden van vijf verschillende ziekenhuizen. Ze verzamelden meer dan 9.000 afbeeldingen waarbij de blauwe kleurstof was gebruikt en meer dan 8.000 bijbehorende afbeeldingen van dezelfde patiënten die alleen met wit licht waren genomen. Deze beelden kwamen uit bijna duizend verschillende gevallen, wat een diverse en robuuste basis bood voor het trainen van hun computermodel. Het doel was om de kunstmatige intelligentie te leren hoe de kleurstof het uiterlijk van het weefsel precies verandert — hoe het zich ophoopt in de kieren en de grenzen van laesies accentueert — zodat het dat effect op een gewone afbeelding kon nabootsen.

Om dit systeem te bouwen, ontwierp het team een gespecialiseerd computerprogramma gebaseerd op een type kunstmatige intelligentie dat bekend staat als een generatief adversarieel netwerk. In tegen tegenstelling tot eenvoudigere programma's die slechts een blauw filter zouden toevoegen, werd dit model ontworpen om een complexe, stapsgewijze transformatie uit te voeren. Het leerde de kleuren en het contrast van de afbeelding te veranderen om de kleurstof na te bootsen, terwijl de onderliggende anatomie strikt behouden bleef. De onderzoekers waren voorzichtig om ervoor te zorgen dat de computer geen nieuwe structuren bedacht of de vorm van het weefsel vervormde, aangezien dergelijke fouten tot gevaarlijke misdiagnoses kunnen leiden. Ze testten hun creatie tegenover verschillende andere bestaande computermethoden, inclusief die gebruikt voor algemene fotobewerking en andere medische beeldtaken.

De resultaten lieten zien dat hun nieuwe model op bijna alle fronten superieur was. Wanneer de door de computer gegenereerde afbeeldingen werden vergeleken met echte met kleurstof gespoten afbeeldingen, produceerde het nieuwe model beelden die dichter bij de rijkdom aan kleur en structurele details lagen. De kunstmatige afbeeldingen zagen er meer uit als het echte werk dan de beelden die door de andere algoritmen werden geproduceerd. Om dit te verifiëren, vroegen de onderzoekers elf menselijke artsen, variërend van experts met decennia aan ervaring tot zij die net aan hun carrière begonnen, om naar de afbeeldingen te kijken. De artsen kregen de opdracht om het verschil tussen echte kleurstofafbeeldingen en de door de computer gegenereerde afbeeldingen aan te geven, en vervolgens de kwaliteit van de afbeeldingen te beoordelen op basis van hoe goed ze het contrast van het weefsel, de duidelijkheid van de grenzen van de laesies en de zichtbaarheid van fijne microstructuren toonden.

De artsen vonden het moeilijk om de nepafbeeldingen van de echte te onderscheiden; ze identificeerden de virtuele afbeeldingen slechts ongeveer 78% van de tijd correct. Dit suggereert dat de door de computer gegenereerde afbeeldingen overtuigend genoeg waren om een aanzienlijk deel van de experts te misleiden. Wat betreft de praktische taak van het opsporen van kanker, presteerden de virtuele afbeeldingen opmerkelijk goed. De artsen beoordeelden het algehele contrast en de duidelijkheid van de grenzen van de laesies in de virtuele afbeeldingen als vrijwel identiek aan de echte kleurstofafbeeldingen. Er was geen significant verschil in hoe goed de randen van een groei te zien waren, wat de meest kritische factor is voor het beslissen waar een biopsie moet worden genomen.

De studie onthulde echter één gebied waar de virtuele afbeeldingen nog tekortschoten. Wanneer de artsen naar de fijnste details van het weefseloppervlak keken, de zogenaamde microstructuren, beoordeelden zij de virtuele afbeeldingen iets lager dan de echte beelden. De computer was uitstekend in het tonen van het grote plaatje en de randen van problemen, maar was niet zo scherp als de echte kleurstof als het ging om de kleinste texturen. Deze kloof was duidelijker merkbaar voor de ervaren artsen, die getraind zijn om naar deze subtiele details te kijken, terwijl de minder ervaren artsen de virtuele afbeeldingen net zo duidelijk vonden als de echte. Dit suggereert dat de technologie bijzonder nuttig kan zijn voor minder ervaren beoefenaars, door hen te helpen zien wat ze moeten zien zonder dat zij jarenlange gespecialiseerde training nodig hebben.

De studie concludeert dat dit model met kunstmatige intelligentie een bruikbaar hulpmiddel is dat afbeeldingen met virtuele kleurstof van hoge kwaliteit kan genereren met een goede stabiliteit en het vermogen om in verschillende ziekenhuizen te werken. Hoewel het systeem nog niet perfect is in het tonen van elk microscopisch detail, bootst het succesvol de belangrijkste visuele kenmerken na die nodig zijn voor de vroege detectie van kanker. De onderzoekers merken op dat dit een belangrijke stap voorwaarts is, maar benadrukken ook dat meer testen nodig zijn. Toekomstig werk zal moeten bevestigen of het gebruik van deze virtuele afbeeldingen in realtime tijdens daadwerkelijke patiëntprocedures leidt tot betere detectiecijfers en levens redt. Voor nu bewijst de studie dat een computer kan leren om de verborgen patronen van ziekte te zien op een manier die die van een menselijke hand met een spuitfles evenaart.