Development and Validation of a Feature-Prompted Deep Learning System for Diagnosing Chronic Atrophic Gastritis Under White-Light Endoscopy

Elk jaar worden miljoenen mensen wereldwijd bedreigd door maagkanker, een ziekte die een van de belangrijkste doodsoorzaken door kanker wereldwijd blijft. Voordat deze kanker zich ontwikkelt, ondergaat het maagslijmvlies vaak een langzame, stille transformatie die chronische atrofische gastritis wordt genoemd. In deze toestand dunner de gezonde weefsels die de maag bekleden geleidelijk in en verliezen hun functie, een verandering die het risico op het verschijnen van kanker later aanzienlijk verhoogt. Het detecteren van dit vroege waarschuwingssignaal is cruciaal, maar blijft een moeilijke taak voor artsen. Het primaire hulpmiddel om in de maag te kijken is een flexibele camera op een dunne slang, die beelden van het binnenste van het orgaan vastlegt. Het identificeren van de subtiele tekenen van weefselverdunning in deze beelden is echter berucht lastig. De veranderingen kunnen vaag zijn, en zelfs ervaren specialisten zijn het vaak oneens over wat ze zien of missen de tekenen volledig. Vanwege deze onzekerheid vertrouwen artsen soms op het nemen van willekeurige weefselmonsters uit verschillende delen van de maag om zeker te zijn, een proces dat tijdrovend, kostbaar en oncomfortabel is voor patiënten.

Een team van onderzoekers van het Hangzhou Xiaoshan Hospital of Traditional Chinese Medicine heeft een nieuw kunstmatig intelligentiesysteem ontwikkeld dat ontworpen is om artsen te helpen deze vroege waarschuwingssignalen betrouwbaarder op te sporen. Hun doel was om een digitale assistent te creëren die naar dezelfde live videobeelden kan kijken als een arts tijdens een standaardonderzoek en de specifieke patronen van weefselverdunning met hoge nauwkeurigheid kan identificeren. In tegen afhankelijk van eerdere pogingen die probeerden een enkel beeld in één keer te analyseren, bouwde dit team een meerstapsysteem dat de zorgvuldige manier nabootst waarop een menselijke expert een patiënt onderzoekt. Het systeem controleert eerst of het beeld duidelijk genoeg is om nuttig te zijn, waarbij wazige of slecht verlichte frames worden weggegooid. Vervolgens identificeert het precies welk deel van de maag de camera bekijkt, waarbij onderscheid wordt gemaakt tussen de ingang, het hoofdlichaam en de uitgang. Ten slotte richt het zich op de specifieke gebieden waar weefselverdunning zich mogelijk verbergt, door gebruik te maken van een techniek die de verdachte regio's accentueert voordat het een diagnose stelt.

De onderzoekers testten dit systeem met behulp van duizenden beelden gemaakt van bijna duizend patiënten die tussen januari 2024 en september 2025 een gastroscopie hadden ondergaan. Om ervoor te zorgen dat het systeem de juiste dingen leerde, trainden ze het op een enorme collectie beelden die zorgvuldig waren gelabeld door ervaren artsen. Het meest innovatieve deel van hun aanpak was hoe het systeem leerde de ziekte te vinden. In plaats van de computer te vragen waar het probleem zich bevond in een heel plaatje, leerden ze eerst een apart deel van het systeem om een digitale omtrek te tekenen rond de gebieden die eruit zagen alsof ze mogelijk dunner waren. Het hoofddiagnosetool gebruikte deze omtrekken vervolgens als gids, waardoor de aandacht alleen op het relevante weefsel werd gericht. Deze methode, die de onderzoekers "feature-prompted learning" noemen, stelde het systeem in staat om de gezonde delen van de maag te negeren die het zouden kunnen afleiden, net zoals een persoon zich op een specifiek detail in een drukke kamer kan concentreren terwijl de achtergrond wordt genegeerd.

Toen het team hun beste model op de proef stelde, waren de resultaten opmerkelijk. Het systeem identificeerde de aanwezigheid van weefselverdunning correct in 92,4% van de gevallen waarin het daadwerkelijk aanwezig was, en het sloot het correct uit in 8�9,2% van de gevallen waarin het afwezig was. Dit niveau van nauwkeurigheid was niet alleen een statistisch succes; het was een praktisch succes. Wanneer de onderzoekers de prestaties van de computer vergeleken met een groep menselijke artsen, presteerde het systeem op hetzelfde niveau als de meest senior specialisten, die meer dan vijf jaar onafhankelijke ervaring hadden. De nauwkeurigheid van het systeem van 90,9% was statistisch niet te onderscheiden van de 90,3% behaald door deze experts. Echter, het systeem presteerde aanzienlijk beter dan artsen met gemiddelde ervaring, die drie tot vijf jaar onafhankelijk praktijkervaring hadden. Deze minder ervaren artsen behaalden een nauwkeurigheid van 85,6%, een gat dat suggereert dat de kunstmatige intelligentie een krachtige gelijkmaker kan zijn, die minder ervaren beoefenaars helpt het diagnostische niveau van de meest ervaren experts te bereiken.

De studie onthulde ook dat het meerstapsontwerp van het systeem essentieel was voor het succes. Wanneer de onderzoekers een simpelere versie probeerden die naar het hele beeld keek zonder eerst te filteren op kwaliteit of locatie, daalde de nauwkeurigheid naar 87,0%. Dit verschil bewees dat het vermogen van het systeem om de gegevens op te schonen en zich op de juiste anatomische gebieden te richten, een echt, meetbaar verschil maakte in het uiteindelijke oordeel. De "feature-prompted" strategie, waarbij het systeem werd geleid door de digitale omtrekken van de verdachte gebieden, verbeterde de resultaten verder, wat aantoonde dat het richten van de aandacht van de computer op de meest relevante delen van het beeld hielp om fouten te vermijden. Hoewel het systeem veelbelovend was, merkten de onderzoekers er zorgvuldig bij op dat dit een studie met één centrum was, wat betekent dat het getest is op patiënten van één ziekenhuis met specifieke apparatuur. Zij erkenden dat het systeem nog steeds getest moet worden in een grotere verscheidenheid aan omgevingen en met verschillende soorten camera's voordat het routinematig in klinieken overal gebruikt kan worden.

Ondanks deze beperkingeningen vertegenwoordigt het werk een belangrijke stap voorwaarts in de inspanning om de detectie van voorstadia van maagziekten te standaardiseren. Door een zorgvuldige, stapsgewijze analyse te combineren met een methode die de computer begeleidt om zich op de belangrijkste details te concentreren, hebben de onderzoekers een hulpmiddel gecreëerd dat het niveau van topmenselijke experts evenaart. Dit systeem vervangt de arts niet, maar biedt een tweede paar ogen dat nooit moe wordt en nooit een subtiele aanwijzing mist door vermoeidheid of afleiding. Terwijl de technologie beweegt naar grotere, multi-center trials, heeft het het potentieel om de vroege detectie van maagkanker consistenter en toegankelijker te maken, waardoor ervoor wordt gezorgd dat de waarschuwingssignalen van chronische atrofische gastritis duidelijk worden gezien, ongeacht wie de camera vasthoudt.