Artificial intelligence–assisted detection of lung cancer using bronchoscopic images
Deze studie toont aan dat deep learning-modellen, in het bijzonder EfficientNet-B1, een hoge diagnostische nauwkeurigheid bereiken bij het detecteren van longkanker uit witte licht bronchoscopische beelden, wat suggereert dat zij hun potentieel hebben als een waardevolle klinische aanvulling ondanks een matige prestatie bij de classificatie van histologische subtypes.
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
Elk jaar eist longkanker meer levens dan welke andere vorm van de ziekte ook, waardoor de race om het vroegtijdig te ontdekken een kwestie van leven of dood is. Artsen gebruiken vaak een flexibele slang met een camera, een bronchoscoop genoemd, om in de luchtwegen te kijken en verdachte weefselgroei op te sporen. Hoewel dit instrument essentieel is, hangt het succes ervan sterk af van de vaardigheid van de arts die het vasthoudt; sommige laesies zijn gemakkelijk te zien, terwijl andere in het volle zicht verborgen blijven of er misleidend normaal uitzien. In de afgelopen jaren zijn computers begonnen te leren hoe ze medische beelden kunnen lezen met een precisie die die van menselijke experts evenaart, wat een nieuwe vorm van ondersteuning biedt. Deze technologie, bekend als deep learning, stelt machines in staat om patronen in afbeeldingen te herkennen die het menselijk oog misschien mist, wat belooft de bronchoscoop te veranderen in een slimmere, betrouwbaardere partner voor artsen.
Een team van onderzoekers van twee ziekenhuizen in Zuid-Korea begon te testen of deze technologie kon helpen bij het detecteren van longkanker aan de hand van standaard videobeelden die tijdens deze procedures zijn gemaakt. Ze verzamelden een enorme collectie van meer dan veertien duizend afbeeldingen van bijna tweeduizend patiënten, waarbij zowel gezonde luchtwegen als luchtwegen die door kanker worden aangetast, werden vastgelegd. Om ervoor te zorgen dat hun resultaten betrouwbaar waren en niet slechts een gelukkige gok, verdeelden ze de gegevens zodat de computer nooit dezelfde patiënt twee keer zag tijdens de leer- en testfasen. Vervolgens trainden ze twee verschillende soorten kunstmatige intelligentie-modellen om als een tweede paar ogen te fungagen, waarbij ze de modellen leerden om onderscheid te maken tussen een normale luchtweg en een luchtweg die een tumor herbergt.
De resultaten toonden aan dat de computers bijzonder goed waren in de taak. Wanneer hen werd gevraagd simpelweg te zeggen of een afbeelding kanker liet zien of niet, identificeerde het best presterende model de aandoening in meer dan negentig vijf procent van de gevallen correct. Het was bijzonder bekwaam in het vermijden van valse alarmen en identificeerde gezonde luchtwegen bijna altijd correct. Een van de modellen, dat een specifiek ontwerp gebruikt dat bekend staat om de balans tussen grootte en efficiëntie, presteerde iets beter dan de andere, waarbij het meer kankers ontdekte terwijl het minder fouten maakte. Dit suggereert dat een systeem van kunstmatige intelligentie zou kunnen dienen als een zeer nauwkeurig vangnet, dat een arts waarschuwt voor een potentieel probleem dat hij anders wellicht over het hoofd had gezien.
De onderzoekers probeerden de technologie ook verder te pushen door de computers te vragen om het specifieke type longkanker te identificeren, zoals plaveiselcelcarcinoom of adenocarcinoom, enkel door naar de afbeelding te kijken. Dit bleek een veel moeilijkere taak te zijn. Hoewel het systeem plaveiselcelcarcinoom met redelijke successen kon opsporen, had het grote moeite met adenocarcinoom en miste het dit vaak volledig. De auteurs verklaren dat deze moeilijkheid waarschijnlijk voortkomt uit de aard van de ziekte zelf; sommige kankertypes groeien op manieren die er onder een camera heel verschillend uitzien, terwijl andere subtiel of verborgen blijven totdat er een biopsie wordt genomen. In tegen tegenover de duidelijk afgebakende taak van het vinden van een tumor, is het onderscheiden van het ene type tumor van het andere op basis van enkel een videobeeld een uitdaging die zelfs de slimste huidige modellen moeilijk onder de knie krijgen.
Deze studie beweert niet dat kunstmatige intelligentie het probleem van de diagnose van longkanker heeft opgelost, noch suggereert het dat computers artsen zullen vervangen. In plaats daarvan wijzen de bevindingen op een toekomst waarin deze hulpmiddelen als een krachtige hulp kunnen dienen, vooral in drukke klinieken of voor minder ervaren beoefenaars. De onderzoekers benadrukken dat hun werk een retrospectieve blik was op historische gegevens, en dat de volgende stap is om deze systemen te testen tijdens realtime, live procedures in veel verschillende ziekenhuizen. Als die toekomstige tests deze resultaten bevestigen, zou de combinatie van menselijke vaardigheid en machineprecisie een standaard onderdeel kunnen worden van de strijd tegen longkanker, wat een helderder pad biedt naar vroege detectie voor patiënten over de hele wereld.
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.