A Novel Hybrid Pyramid ViT-ConvFormer Architecture with Dynamic Early Stopping Analysis for Enhanced Diagnostic Efficiency in Diffuse Large B-Cell Lymphoma

In de microscopische wereld van de menselijke biologie zijn sommige vormen van kanker niet één enkele vijand, maar een verschuivend landschap van verschillende bedreigingen. Eén dergelijke dreiging is Diffuus Groot Cellig B-cellymfoom, een agressieve vorm van bloedkanker die bij elke patiënt anders reageert. Om dit effectief te behandelen, moeten artsen een specifieke moleculaire signatuur binnen de tumorcellen vaststellen, een marker die bekend staat als MYC. Als deze marker aanwezig is, beweegt de ziekte met een angstaanjagende snelheid, wat een veel krachtiger en intensiever behandelplan vereft. Als deze afwezig is, volstaat de standaard aanpak mogelijk. Momenteel is het opsporen van deze marker een traag, duur en arbeidsintensief proces dat vertrouwt op gespecialiseerde chemische tests die onder een microscoop worden uitgevoerd. Pathologen, de artsen die weefselmonsters onderzoeken, moeten handmatig door duizenden cellen scannen op zoek naar subtiele aanwijzingen in hoe de cellen eruitzien en zich gedragen. Deze menselijke inspanning is essentieel, maar ook gevoelig voor vermoeidheid en variatie, wat betekent dat twee experts niet altijd hetzelfde oordeel vellen over dezelfde dia.

Om deze cruciale diagnose te versnellen, heeft een team onderzoekers uit Maleisië een nieuw type kunstmatige intelligentie ontwikkeld dat deze weefselslides kan lezen met zowel snelheid als extreme precisie. Ze creëerden een systeem genaamd PyConv, dat fungeert als een digitale assistent voor pathologen. De uitdaging waar zij voor stonden, was dat bestaande computermodellen ofwel te traag waren om praktisch bruikbaar te zijn, ofwel te simpel om het grote plaatje te zien. Het nieuwe model lost dit op door twee verschillende manieren van naar de afbeelding kijken te combineren: één die zich concentreert op de minuscule details van individuele cellen, en een andere die het algemene vorm en de ordening van het weefsel begrijpt. Het resultaat is een instrument dat het verschil kan zien tussen de gevaarlijke vormen van de kanker en het goedaardige, niet-kankerverwekkende weefsel met bijna perfecte nauwkeurigheid, terwijl het veel sneller leert dan eerdere systemen.

De onderzoekers testten hun creatie op een enorme collectie digitale weefselafbeeldingen, afkomstig van 180 echte patiëntmonsters. Deze monsters werden zorgvuldig verdeeld in drie groepen: patiënten met de agressieve, MYC-positieve kanker, patiënten met de minder agressieve, MYC-negatieve versie, en patiënten met goedaardig, niet-kankerverwekkend lymfeklierweefsel dat dient als een gezonde controle. Om ervoor te zorgen dat de computer leerde de ziekte te herkennen in plaats van alleen de specifieke slides te memoriseren, splitste het team de data zodat het weefsel van een enkele patiënt niet in meer dan één groep voorkwam. In totaal analyseerde het systeem bijna 700.000 kleine vierkante weefselpatches, die elk een momentopname van het cellulaire landschap bevatten.

De kerninnovatie van PyConv ligt in de manier waarop het deze afbeeldingen verwerkt. In plaats van één methode te gebruiken, draait het twee parallelle analysestromen tegelijkertijd. De ene stroom werkt als een vergrootglas met een hoge vergroting en gebruikt gespecialiseerde lagen om de fijne randen van celkernen en de textuur van het chromatine binnenin te onderzoeken. Deze stroom is uitstekend in het opsporen van de specifieke, kleinschalige onregelmatigheden die een kankercel definiëren. De tweede stroom werkt als een groothoeklens, waarbij een stap wordt teruggedaan om te zien hoe de cellen over het gehele weefselmonster zijn gerangschikt. Het kijkt naar de bredere patronen, zoals of de cellen georganiseerde clusters vormen of zich chaotisch verspreiden. Het genie van het ontwerp zit in de manier waarop deze twee stromen met elkaar communiceren. Een fusielaag zorgt ervoor dat het gedetailleerde, close-up beeld het groothoekbeeld kan sturen, waardoor het systeem aandacht besteedt aan de belangrijkste biologische kenmerken in plaats van afgeleid te worden door achtergrondruis of variaties in de kleuring.

Toen de onderzoekers dit hybride systeem aan de test onderwierpen, waren de resultaten opmerkelijk. Het model bereikte zijn piekprestaties na slechts 20 trainingsrondes, een snelheid die een reductie van 83,5% in tijd vertegenwoordigt vergeleken met andere geavanceerde modellen die uitsluitend vertrouwen op een groothoek, transformer-gebaseerde aanpak. Wat de nauwkeurigheid betreft, identificeerde het systeem het type weefsel in bijna elk geval correct, met een succespercentage van 99,62%. Belangrijker nog, het gokte niet alleen; het leerde het gevaarlijke MYC-positieve kanker te onderscheiden van de MYC-negatieve versie met een zekerheid die statistisch niet te onderscheiden is van de meest complexe, zware modellen die vandaag de dag beschikbaar zijn. Het bleek ook uitzonderlijk goed in het herkennen van het goedaardige weefsel, waardoor het kanker effectief uitsloot wanneer het niet aanwezig was.

Om te garanderen dat de computer niet alleen patronen memoriseerde maar daadwerkelijk de biologie begreep, gebruikten de onderzoekers een reeks hulpmiddelen om te visualiseren wat het model "zag". Deze visualisaties lieten zien dat het systeem correct focuste op de biologische kenmerken van de ziekte: de donkere, onregelmatige contouren van de celkernen, de prominente centra binnen de cellen en de manier waarop de cellen over het weefsel zijn verdeeld. Het negeerde irrelevante achtergrondkleuren of artefacten die menselijke waarnemers vaak in verwarring brengen. Deze transparantie is cruciaal, aangezien het bevestigt dat het model beslissingen neemt op basis van echt medisch bewijs in plaats van willekeurige ruis.

De studie adresseerde ook een veelvoorkomende zorg in de kunstmatige intelligentie: of een sneller model noodzakelijkerwijs een minder accuraat model is. Hoewel sommige bestaande modellen iets sneller waren in het verwerken van afbeeldingen, vonden de onderzoekers dat het verschil in diagnostische nauwkeurigheid zo klein was dat het niet statistisch significant was. Met andere woorden, het nieuwe systeem biedt het beste van beide werelden: de snelle convergentie van een eenvoudiger model en de hoge diagnostische precisie van een complex model. Door de behoefte aan snelheid te balanceren met de behoefte aan betrouwbaarheid, biedt PyConv een praktisch pad voor de integratie van geavanceerde AI in klinische laboratoria. Het suggereert een toekomst waarin de initiële screening van deze complexe kankers kan worden gedaan met een snelheid en consistentie die het deskundige oordeel van menselijke pathologen ondersteunen in plaats van vervangen, wat potentieel kan leiden tot snellere behandelbeslissingen voor patiënten met deze agressieve ziekte.