Exploring Digital Pathology for Tongue Tumour Tissue analysis using machine vision Techniques: An automated Approach

In de stille, risicovolle wereld van medische diagnostiek is het oog van een patholoog de uiteindelijke rechter. Wanneer een patiënt een verdachte groei heeft, wordt een klein stukje weefsel verwijderd en op een glazen objectglas geplaatst. Onder een microscoop zoekt een specialist naar de kenmerkende tekenen van kanker: cellen die hun vorm hebben verloren, kernen die te groot zijn, of weefsels die groeien waar ze niet horen te groeien. Dit handmatige proces is de gouden standaard voor het opsporen van tumoren, maar het is ook traag, uitputtend en gevoelig voor menselijke fouten. Zelfs de meest ervaren artsen kunnen van mening verschillen over wat ze zien, en de enorme hoeveelheid objectglasjes die zij moeten beoordelen, kan leiden tot vermoeidheid en gemiste details. De vraag die de moderne geneeskunde bezighoudt, is of een machine kan leren deze patronen met dezelfde precisie te zien, maar zonder vermoeidheid, als een tweede paar ogen dat nooit knippert.

Een team onderzoekers van instellingen uit India heeft een belangrijke stap gezet in het beantwoorden van die vraag, waarbij zij zich specifiek richtten op tumoren van de tong en de bovenste luchtwegen. Zij ontwikkelden een nieuw computersysteem ontworpen om digitale afbeeldingen van deze weefselmonsters te analyseren. Het doel was niet alleen om kanker op te sporen, maar om het te sorteren in specifieke categorieën: goedaardige groei die onschadelijk is, kwaadaardige tumoren die gevaarlijk zijn, en dysplasie, wat een waarschuwingsfase is waarin cellen veranderen maar nog niet volledig kwaadaardig zijn geworden. Om dit te doen, bouwden de onderzoekers een op maat gemaakt kunstmatige intelligentie-model dat rechtstreeks van de afbeeldingen leert, in plaats van te vertrouwen op bestaande software die getraind is op algemene plaatjes.

De reis begint bij het grondmateriaal: duizenden digitale afbeeldingen genomen van biopsie-objectglasjes. Deze afbeeldingen zijn niet allemaal hetzelfde; ze zijn vastgelegd op drie verschillende vergrotingstreden, vergelijkbaar met het inzoomen op een kaart. Bij een breed overzicht ziet de computer de algemene lay-out van het weefsel. Bij een middelmatige zoom kan het de manier waarop de weefsellagen groeien, onderscheiden. Bij de hoogste zoom kan het de individuele cellen en hun kernen zien. De onderzoekers realiseerden zich dat ze, om een computer effectief te trainen, de afbeeldingen eerst moesten opschonen. Werkelijke microscopische objectglasjes hebben vaak imperfecties: ongelijkmatige kleuringen, bubbels of schaduwen die een computer in verwarring kunnen brengen. Het team creëerde een speciale beeldverwerkingsstap om deze problemen op te lossen, waarbij ze de kleuren en het contrast aanpasten zodat de belangrijke delen van het weefsel duidelijk afsteken tegen de achtergrond. Dit proces zorgt ervoor dat de computer naar de biologie kijkt, en niet naar de gebreken van de preparatie van het objectglas.

Zodra de afbeeldingen schoon waren, introduceerden de onderzoekers hun nieuwe model, dat ze een Contrast Stretched Convolutional Neural Network noemen. In tegen tegenstelling tot veel andere AI-systemen die zijn opgebouwd door het stapelen van vele generieke blokken, is dit model vanaf de grond af aan ontworpen om aan de specifieke behoeften van medische objectglasjes te voldoen. Het gebruikt geen "one-size-fits-all"-aanpak; in plaats daarvan is het gestructureerd om naar het weefsel op verschillende schalen tegelijkertijd te kijken, waarbij het de manier nabootst waarop een menselijke patholoog de focus verlegt van het grote plaatje naar de fijne details. Het systeem leert de unieke vormen en texturen van gezonde cellen versus die welke in het proces van kanker zijn, te herkennen. Het werd getraind op een dataset van meer dan 5.000 afbeeldingen, die zorgvuldig werden verdeeld zodat de computer kon leren van sommige en getest kon worden op andere die hij nog nooit eerder had gezien.

De resultaten van deze training waren opmerkelijk. Bij tests op nieuwe afbeeldingen identificeerde het model het type tumor correct in 98 procent van de gevallen. Het was in staat om te onderscheiden tussen ontsteking, onschadelijke groei en verschillende stadia van kanker met een nauwkeurigheid die wedijvert met, en in sommige gevallen zelfs die van andere geavanceerde computermodellen die vertrouwen op vooraf getrainde data, overtreft. Het systeem demonstreerde efficiënte trainingssnelheden, waarbij het een hoge nauwkeurigheid bereikte in slechts 2 seconden per epoch tijdens de leerfase. De onderzoekers merkten op dat het model bijzonder goed was in het afhandelen van de subtiele verschillen tussen vroege veranderingen en volwaardige kanker, een taak die zelfs voor menselijke experts moeilijk kan zijn. Door deze hoge mate van nauwkeurigheid te bereiken, suggereert de studie dat dergelijke geautomatiseerde systemen op een dag een betrouwbare partner voor pathologen kunnen dienen, waarbij ze helpen de tijd die nodig is voor een diagnose te verkorten en ervoor zorgen dat geen enkele tumor wordt gemist door menselijke vermoeidheid.

Het werk beweert niet de arts te vervangen, maar streeft ernaar een krachtig hulpmiddel te bieden dat het zware werk van de initiële screening kan overnemen. De onderzoekers benadrukken dat hun aanpak transparant is; het model leert rechtstreeks van de medische afbeeldingen zonder verborgen sluiproutes, waardoor de beslissingen gemakkelijker te begrijpen en te vertrouwen zijn. Hoewel de studie zich richtte op tong- en luchtwegtumoren, biedt de methode een blauwdruk voor hoe computers geleerd kunnen worden de complexe taal van menselijk weefsel te lezen. De auteurs merken echter op dat de computationele kosten van het model een factor zijn die verdere studie verdient, met name bij het verwerken van heterogene multimodale datastalen. Naarmate de technologie volwassen wordt, draagt het de belofte in zich om hoogwaardige kankerdiagnostiek toegankelijker te maken, waardoor een proces dat ooit uren van intense concentratie vereiste, verandert in een snelle, geautomatiseerde controle die de menselijke experts ondersteunt die voor patiënten zorgen.