Multi-Scale Attention-Enhanced EfficientNet for Automated Gleason Grading of Prostate Cancer

Prostaatkanker is een belangrijke oorzaak van kankersterfte onder mannen wereldwijd, en het pad naar een effectieve behandeling begint bij een precieze diagnose. Wanneer een arts een ziekte vermoedt, wordt er een klein monster van weefsel genomen en onder een microscoop onderzocht. Om te bepalen hoe agressief de kanker is, wijst een specialist genaamd een patholoog een score toe die bekend staat als de Gleason-graad. Deze score is niet een simpel getal, maar een zorgvuldige beoordeling van hoe de kankercellen zijn gerangschikt en hoeveel ze verschillen van gezond weefsel. Hoe hoger de graad, hoe groter de kans dat de kanker zich snel verspreidt, wat bepaalt of een patiënt onmiddellijke chirurgie, bestraling of nauwlettende controle nodig heeft. Dit proces is echter diep menselijk en gevoelig voor variatie. Verschillende pathologen die naar dezelfde preparaat kijken, kunnen het soms oneens zijn over de score, en zelfs dezelfde expert kan er op een andere dag anders over denken. Deze inconsistentie kan ertoe leiden dat patiënten een behandeling krijgen die óf te agressief óf niet agressief genoeg is. Decennialang hebben wetenschappers gehoopt dat computers konden helpen om dit cruciale oordeel te standaardiseren, als een betrouwbaar tweede paar ogen dat nooit moe wordt of afgeleid raakt.

In een recente studie hebben onderzoekers van de University of KwaZulu-Natal in Zuid-Afrika een nieuw computersysteem ontwikkeld dat ontworpen is om dit classificatieproces met opmerkelijke precisie te automatiseren. Ze creëerden een digitale tool die leert om de subtiele patronen van prostaatkanker te herkennen door duizenden echte microscoopbeelden te bestuderen. Het systeem, dat ze MSEACN noemden, is gebouwd op een geavanceerde basis die nabootst hoe het menselijk brein visuele informatie verwerkt. In plaats van alleen naar een afbeelding als geheel te kijken, wordt de computer geleerd om het weefsel op verschillende detailniveaus tegelijkertijd te onderzoeken. Het kijkt naar de brede architectuur van het weefsel, de vorm van de klieren en de specifieke rangschikking van cellen, net zoals een persoon een bos van een afstand zou kunnen bekijken om de lay-out te zien, om vervolgens in te zoomen om individuele bomen te bestuderen, en tot slot de bladeren te inspecteren. Door deze verschillende gezichten te combineren, bouwt de computer een compleet beeld van de gezondheid van het weefsel.

Om dit mogelijk te maken, begonnen de onderzoekers met een enorme collectie van meer dan 15.000 gedigitaliseerde microscooppreparaten uit de PANDA-dataset, een publieke bron met afbeeldingen van prostaatbiopten die zorgvuldig zijn gelabeld door deskundige pathologen. Voordat de computer van deze beelden kon leren, moesten de onderzoekers ze voorbereiden. Ze hebben de afbeeldingen opgeschoond om kleurstoffen en artefacten te verwijderen die het systeem zouden kunnen verwarren, om ervoor te zorgen dat de computer zich alleen concentreert op de biologische structuren die er toe doen. Ze hebben ook de afbeeldingen naar een uniforme grootte aangepast, een noodzakelijke stap om de computer efficiënt te laten werken zonder de cruciale structurele details die nodig zijn voor de diagnose te verliezen. Zodra de afbeeldingen klaar waren, begon de computer aan zijn training, waarbij hij de patronen keer op keer analyseerde om het verschil te leren tussen gezond weefsel en kanker van variërende ernst.

De kern van dit nieuwe systeem is een slimme combinatie van twee geavanceerde technieken. Ten eerste gebruikt het een multi-schaal benadering, wat betekent dat het de afbeelding door verschillende "lenzen" tegelijkertijd analyseert. Sommige delen van de computer kijken naar fijne details, terwijl andere naar grotere structuren kijken. Dit zorgt ervoor dat geen enkel belangrijk kenmerk wordt gemist, of het nu gaat om een kleine onregelmatigheid in een cel of een grote vervorming in de vorm van de klier. Ten tweede maakt het systeem gebruik van aandachtsmechanismen (attention mechanisms). Je kunt dit zien als de computer die leert om zijn blik te richten. Net zoals een menselijke patholoog de lege ruimte rond een weefselmonster kan negeren om zich te concentreren op het kankerdeel, leert dit systeem om de belangrijkste delen van de afbeelding te benadrukken en de achtergrondruis te negeren. Deze dubbele focus stelt de computer in staat om in te zoomen op de specifieke patronen die de Gleason-graad definiëren.

De resultaten van deze training waren indrukwekkend. Wanneer het systeem werd getest op afbeeldingen die het nog nooit eerder had gezien, bereikte het een nauwkeurigheid van 97,69 procent. Dit betekent dat de computer in bijna alle gevallen de graad van de kanker correct identificeerde. Nog indrukwekkender was het vermogen om gezond weefsel correct te identificeren, met een specificiteit van 99,50 procent, wat betekent dat het zelden gezonde cellen voor kanker aanzag. Het systeem vertoonde ook een zeer hoge mate van overeenstemming met de deskundige pathologen die de oorspronkelijke labels hadden gemaakt, met een score van 0,98 op een schaal waarbij 1,0 perfecte overeenstemming vertegenwoordigt. In de wereld van medische classificatie, waar menselijke experts vaak moeite hebben om het met elkaar eens te worden, is dit niveau van consistentie een aanzienlijke prestatie. De onderzoekers ontdekten dat het systeem bijzonder goed was in het identificeren van de meest agressieve vormen van kanker, wat cruciaal is om ervoor te zorgen dat patiënten tijdig behandeling krijgen.

De studie onderzocht ook wat er gebeurt als het systeem van zijn speciale functies wordt beroofd. Wanneer de onderzoekers de mogelijkheid om naar meerdere schalen te kijken of de mogelijkheid om aandacht te richten verwijderden, daalde de prestatie van het systeem merkbaar. Dit bevestigde dat zowel het multi-schaal kijken als de aandachtsmachines essentieel waren voor de hoge nauwkeurigheid die zij observeerden. Het systeem was in staat om onderscheid te maken tussen de verschillende graden van kanker, van goedaardig weefsel tot de meest ernstige gevallen, met een betrouwbaarheid die eerdere pogingen overtrof. Hoewel de onderzoekers opmerkten dat het vereenvoudigen van de afbeeldingen naar een kleinere grootte mogelijk tot het verlies van sommige microscopische details had geleid, legde het systeem nog steeds genoeg van de grotere structurele patronen vast om zeer nauwkeurige beslissingen te nemen.

Ondanks deze successen merken de onderzoekers er voorzichtig bij op dat dit een stap voorwaarts is, en geen eindbestemming. Het systeem is getraind en getest op een specifieke set afbeeldingen, en het blijft te zien hoe goed het zal presteren op afbeeldingen van andere ziekenhuizen met verschillende kleuringstechnieken of scanners. De onderzoekers erkennen dat medische omgevingen in de echte wereld rommelig en gevarieerd zijn, en toekomstig werk zal het systeem in verschillende omgevingen moeten testen om te garanderen dat het robuust genoeg is voor dagelijks klinisch gebruik. Ze zijn ook van plan om manieren te verkennen om deze visuele analyse te combineren met andere soorten medische gegevens, zoals MRI-scans, om een nog uitgebreider diagnostisch hulpmiddel te creëren. Voor nu demonstreert de studie echter dat met de juiste combinatie van technologie en zorgvuldig ontwerp, computers de subtiele tekenen van ziekte kunnen leren zien met een consistentie die die van menselijke experts evenaart, en in sommige gevallen zelfs overtreft. Deze vooruitgang biedt een hoopvol pad naar het verminderen van de variabiliteit in de diagnose van kanker en het waarborgen dat elke patiënt de meest passende zorg ontvangt op basis van een betrouwbare en gestandaardiseerde beoordeling.