How errors from prompt-assisted longitudinal tumour segmentation change RECIST 1.1 target-lesion response categories: a retrospective out-of-fold analysis
Deze retrospectieve out-of-fold analyse van 258 patiënten demonstreert dat door prompts ondersteunde longitudinale tumorsegmentatiefouten de RECIST 1.1 responscategorieën in ongeveer 17% van de gevallen veranderden, waarbij meetfouten een significante maar niet uniek dominante bijdrage leverden vergeleken met detectie- en lokalisatiefouten.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een detective bent die een mysterie probeert op te lossen: wordt de schurk zwakker of sterker? In de wereld van kankerbehandeling is de "schurk" een tumor, en de "detectives" zijn artsen die speciale camera's gebruiken, genaamd CT-scanners, om foto's te maken van de binnenkant van het lichaam van een patiënt. Om te weten of het medicijn werkt, meten artsen de grootte van specifieke tumoren aan het begin van de behandeling en vervolgens weer een paar weken later. Ze gebruiken een strikt regelboek, RECIST 1.1, om het vonnis te vellen. Als de tumor genoeg krimpt, krijgt de patiënt een "Partieel Antwoord" (goed nieuws!). Als de tumor groeit, is het "Progressieve Ziekte" (slecht nieuws!). Als het hetzelfde blijft, is het "Stabiele Ziekte."
Maar hier komt het lastige deel: het meten van een zachte, onregelmatige klomp binnen een 3D-lichaam is moeilijk. Zelfs een kleine fout in het tekenen van de omtrek van de tumor — zoals een lijn net een paar millimeter te breed of te smal tekenen — kan het vonnis veranderen van "krimpend" naar "groeiend." Onlangs zijn wetenschappers begonnen met het gebruik van computerprogramma's (Kunstmatige Intelligentie) om te helpen bij het automatisch tekenen van deze omtrekken, in de hoop dat dit het werk sneller en consistenter maakt. Maar de grote vraag blijft: als de computer een fout maakt, verandert dat dan daadwerkelijk het uiteindelijke vonnis van de arts? Veroorzaakt een kleine fout in de tekening dat de computer denkt dat de patiënt beter wordt terwijl dat niet zo is, of andersom?
Dit artikel onderzoekt precies dat. De onderzoekers namen een groep van 258 patiënten met melanoom (een type huidkanker dat is uitgezaaid) en gebruikten een slim computerprogramma genaamd "LongiSeg" om de contouren van de tumoren op follow-up scans te proberen opnieuw te tekenen. De computer kreeg een "hint" (een klik) die aangaf waar de tumor zat, maar moest zelf de eigenlijke tekening maken. De onderzoekers vergeleken de tekening van de computer vervolgens met de "gouden standaard" tekening gemaakt door menselijke experts.
De resultaten waren een beetje verrassend. Bij ongeveer 16,7% van de patiënten (dat is ongeveer 43 van de 258, of één op zes), leidde de tekening van de computer tot een ander vonnis dan de tekening van de expert. Bijvoorbeeld, de expert kan zeggen dat de toestand van de patiënt "Stabiel" is, maar het iets andere vonnis van de computer zou zeggen dat er sprake is van een "Partieel Antwoord" (het gaat beter), of andersom.
De onderzoekers speelden daarna de detective om uit te zoeken waarom deze fouten gebeurden. Ze deelden de fouten op in vier typen:
- Omissie: De computer miste de tumor volledig (zoals het vergeten te tekenen van een personage in een stripverhaal).
- Mislokalisatie: De computer tekende de tumor op de verkeerde plek (zoals een personage aan de verkeerde kant van de pagina tekenen).
- Vals Persisteren: De tumor was eigenlijk weg, maar de computer bleef hem tekenen (zoals het tekenen van een spook dat er niet is).
- Grootte-fout: De computer vond de juiste tumor, maar tekende hem iets te groot of te klein.
De studie vond dat Grootte-fouten de grootste boosdoener waren en droegen bij aan 8,3% van de onenigheden. De onderzoekers merkten echter voorzichtig op dat dit geen duidelijke, overweldigende overwinning was. Wanneer ze de "gemiste" en "verkeerde plek" fouten samenvoegden tot één groep, was die groep bijna even groot als de grootte-fouten. Sterker nog, het verschil tussen hen was zo klein dat het door toeval had kunnen komen. Dit betekent dat hoewel het krijgen van de juiste grootte cruciaal is, het simpelweg vinden van de tumor in de eerste plaats net zo belangrijk is.
Interessant genoeg maakte de computer fouten waardoor de patiënt er beter uitzag dan hij in werkelijkheid was in 28 gevallen, en er slechter uitzag in 15 gevallen. Maar de auteurs waarschuwen ons om niet te enthousiast te worden over deze "goed nieuws"-bias. Wanneer ze de regels iets aanpasten (zoals het tellen van een ander aantal tumoren), verschoof dit patroon. Dus, ze kunnen niet met zekerheid zeggen dat de computer stiekem probeert de patiënten er beter uit te laten zien; het lijkt er alleen in deze specifieke test zo op te neigen, maar het is geen bewezen regel.
De studie voerde ook computer-simulaties uit om te zien of deze kleine tekenfouten genoeg waren om de vonnissen te laten omslaan. Ze vonden dat ja, zelfs een kleine fout van slechts 2 mm in de diameter van de tumor het resultaat kon doen omslaan. Dit bevestigt dat de computer niet alleen extreem nauwkeurig moet zijn in het vinden van de tumor, maar ook in het perfect meten van de randen ervan.
Uiteindelijk concludeert het artikel dat hoewel AI een nuttig hulpmiddel is, het nog niet perfect is. Ongeveer één op zes patiënten zou een ander "rapportcijfer" krijgen als we uitsluitend vertrouwen op de metingen van dit specifieke computerprogramma. De studie benadrukt dat we niet alleen moeten focussen op of de AI de tumor vindt; we moeten ons ook zorgen houden over hoe nauwkeurig hij de grootte ervan meet. De auteurs benadrukken dat dit slechts één specifiek model is dat getest is op één type kanker, en dat er meer testen nodig zijn voordat we deze digitale detectives kunnen vertrouwen om de definitieve beslissing te nemen over de gezondheid van een patiënt.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.