A Systematic Review of Deep Learning Algorithms for the Early Detection of Chronic Disease

Chronische ziekten zoals kanker, hartfalen, diabetes en leveraandoeningen zijn wereldwijd de belangrijkste oorzaken van sterfte en invaliditeit. Ze ontwikkelen zich langzaam over een langere periode en verbergen hun aanwezigheid vaak totdat ze aanzienlijke schade hebben aangericht. Omdat het vroegtijdig opsporen van deze ziekten levens kan redden en lijden kan verminderen, zoeken artsen en wetenschappers voortdurend naar betere manieren om ze te ontdekken voordat symptomen verschijnen. In de afgelopen jaren is een tak van de informatica, bekend als deep learning, opgekomen als een krachtig hulpmiddel voor deze taak. In tegenstelling tot oudere computerprogramma's die vereisten dat mensen hen handmatig leerden waar ze naar moesten kijken, kunnen deep learning-systemen zichzelf onderwijzen. Dit doen ze door enorme hoeveelheden informatie te bestuderen, zoals medische afbeeldingen, bloedtestresultaten of hartritme-opnames, en te leren subtiele patronen te herkennen die het menselijk oog misschien mist. Dit vermogen om verborgen signalen in complexe data te vinden, biedt een nieuwe hoop op het voorspellen van ziekten lang voordat ze kritiek worden.

Een team onderzoekers van de Chittagong University of Engineering and Technology in Bangladesh zette zich scharpe om te begrijpen hoe ver deze technologie precies is gekomen. Ze voerden geen enkel nieuw experiment uit; in plaats daarvan voerden ze een massale, georganiseerde zoektocht uit door duizenden bestaande wetenschappelijke studies om te zien wat er al is ontdekt. Volgens een strikte set regels die wordt gebruikt om eerlijkheid en nauwkeurigheid in wetenschappelijke reviews te waarborgen, filterden zij honderden artikelen die tussen 2018 en 2026 zijn gepubliceerd. Van een initiële pool van 800 studies selecteerden zij zorgvuldig 55 kwalitatief hoogwaardige rapporten die specifiek gericht waren op het gebruik van deep learning voor de vroege detectie van chronische ziekten. Hun doel was om het landschap van het huidige onderzoek in kaart te brengen, waarbij ze identificeerden welke computermodellen het beste werken, welke data ze gebruiken en waar de technologie nog moeite mee heeft.

De onderzoekers vonden dat de meest succesvolle computermodellen sterk afhangen van het type data dat ze analyseren. Wanneer de taak het bekijken van afbeeldingen betreft, zoals röntgenfoto's, MRI-scans of microscopische beelden van weefsel, is een specifiek type deep learning-model genaamd een Convolutional Neural Network de duidelijke leider. Deze systemen blinken uit in het herkennen van vormen, texturen en grenzen binnen afbeeldingen. In studies gericht op kanker, met name borstkanker en huidkanker, bereikten deze op afbeeldingen gerichte modellen een opmerkelijk succes, waarbij sommige een nauwkeurigheidspercentage van wel 99,5 procent bereikten. Bijvoorbeeld, één studie gebruikte een model om duizenden beelden van borstweefsel te analyseren en identificeerde kanker correct in bijna elk geval, terwijl een ander systeem met vergelijkbare precisie onderscheid maakte tussen verschillende soorten huidtumoren. Deze modellen worden zo goed dat ze soms details kunnen zien die onzichtbaar zijn voor het blote oog, wat een krachtig tweede oordeel biedt voor pathologen.

Echter, niet alle medische data komen in de vorm van afbeeldingen binnen. Sommige informatie, zoals hartslagen, hersengolven of de medische geschiedenis van een patiënt over vele jaren, komt aan als een sequentie van getallen die in de loop van de tijd veranderen. Voor dit soort data zijn andere computerarchitecturen vereist. De review benadrukte dat modellen die ontworpen zijn om informatie uit het verleden te onthouden, zoals Long Short-Term Memory netwerken, bijzonder effectief zijn voor hartziekten en diabetes. Deze systemen kunnen de evolutie van de conditie van een patiënt volgen en gevaarlijke trends in het hartritme of de bloedsuikerspiegels opsporen die een enkele momentopname zou missen. Bij de voorspelling van hartziekten bereikten specifieke modellen zoals de HQNN een nauwkeurigheid van 99,8 procent. Op dezelfde manier hebben nieuwe benaderingen voor diabetes, die verschillende soorten leren combineren, aangetoond het vermogen te hebben om het ontstaan van de ziekte te voorspellen, waarbij één studie een nauwkeurigheid van 75 procent bereikte bij het voorspellen van het begin van type 2 diabetes zeven jaar van tevoren, gebruikmakend van data variërend van eenvoudige bloedtests tot complexe genetische markers.

Ondanks deze indrukwekkende cijfers waren de onderzoekers voorzichtig genoeg om aan te geven dat de technologie nog niet klaar is om artsen in elke kliniek te vervangen. Een grote hindernis is het gebrek aan hoogwaardige, gelabelde data. Om een computer te leren een ziekte te herkennen, hebben wetenschappers duizenden voorbeelden nodig waarvan het antwoord al bekend is, maar dergelijke datasets zijn vaak klein, incompleet of bevooroordeeld. Bovendien zijn deze krachtige computersystemen vaak "black boxes", wat betekent dat ze een correct antwoord kunnen geven zonder uit te leggen waarom ze tot die conclusie zijn gekomen. In de geneeskunde is weten wat de redenering achter een diagnose is, net zo belangrijk als de diagnose zelf. De review merkte ook op dat veel van de meest succesvolle studies alleen in gecontroleerde omgevingen of op specifieke lokale datasets werden getest, en het blijft onduidelijk of ze even goed zouden werken in andere ziekenhuizen of bij andere patiëntenpopulaties.

De auteurs concluderen dat hoewel deep learning bewezen heeft zijn potentieel te hebben om de vroege detectie van ziekten te revolutioneren, er nog aanzienlijk werk te verrichten is voordat het breed vertrouwd kan worden in de dagelijkse medische praktijk. De weg vooruit omvat het creëren van grotere, meer diverse collecties medische data en het ontwikkelen van methoden die deze computermodellen transparanter en begrijpelijker maken. De review suggereert dat de toekomst ligt in hybride benaderingen, waarbij verschillende soorten modellen worden gecombineerd om zowel afbeeldingen als tijdgebaseerde data gelijktijdig te verwerken, en in het gebruik van explainable artificial intelligence die een arts precies kan vertellen wat het zag om tot een beslissing te komen. Totdat deze uitdagingen zijn aangepakt, zal deep learning waarschijnlijk het beste dienen als een geavanceerde assistent, die medische professionals helpt de vroegste tekenen van chronische ziekte op te sporen en patiënten een betere kans geeft op een gezond leven.