Ultrasound-based deep learning-derived radiomics for preoperative prediction of sentinel lymph node metastasis in invasive breast cancer: a two-center retrospective study

In de reis door de behandeling van borstkanker vindt een van de meest cruciale beslissingen plaats voordat de eerste incisie wordt gemaakt: bepalen of de kanker is uitgezaaid naar de nabijgelegen lymfeklieren. Deze kleine, boonvormige organen fungeren als de eerste verdedigingslinie van het lichaam door vocht uit de borst te filteren. Als kankercellen daarheen zijn gereisd, verandert het chirurgische plan aanzienlijk. Traditioneel moeten artsen een sentinel-lymfeklierbiopsie uitvoeren, een procedure waarbij een chirurg een specifieke klier verwijdert om de aanwezigheid van kanker onder een microscoop te controleren. Hoewel effectief, is dit een invasieve stap die risico's met zich meebrengt van zwelling en ongemak, en het is niet altijd perfect; soms mist de test de kanker, en andere keren leidt het tot onnodige chirurgie voor patiënten bij wie de kanker niet is uitgezaaid. Decennialang hebben onderzoekers gezocht naar een manier om deze uitzaaiing te voorspellen met behulp van niet-invasieve instrumenten, in de hoop patiënten te sparen van procedures die ze niet nodig hebben. Echografie, een veelvoorkomstige beeldvormingstechniek die geluidsgolven gebruikt om beelden van het lichaam te maken, is lang een standaardinstrument geweest om naar borstknobbels te kijken, maar het vermogen om de onzichtbare verspreiding van kankercellen te zien, is beperkt door het vermogen van het menselijk oog om de beelden te interpreteren.

Een team van onderzoekers van twee ziekenhuizen in China heeft een nieuwe aanpak gekozen voor dit oude probleem door een computer te leren patronen in echografiebeelden te zien die het menselijk oog misschien mist. Ze richtten zich op een specifiek type borstkanker, namelijk invasieve borstkanker, waarbij de tumor het potentieel heeft om door het borstweefsel heen te breken en naar de lymfeklieren te reizen. Het team verzamelde echografiebeelden van tumoren van 246 patiënten, die allemaal een operatie hadden ondergaan om te bevestigen of hun lymfeklieren kanker bevatten. Ze verdeelden deze patiënten in twee groepen: één groep van een ziekenhuis in Guangzhou om de computer te trainen, en een aparte groep van een ander ziekenhuis om te testen of de computer de geleerde kennis kon toepassen op nieuwe, onbekende patiënten. De computer keek niet naar de beelden zoals een radioloog dat doet, door te letten op de vorm of helderheid van de tumor. In plaats daarvan gebruikte het een deep learning-systeem, een type kunstmatige intelligentie, om de beelden af te breken in duizenden minuscule wiskundige details. Het systeem gebruikte vervolgens een beslissingsalgoritme om de specifieke combinatie van deze details te vinden die het beste voorspelde of de kanker de lymfeklieren had bereikt.

De resultaten van dit onderzoek laten zien dat het computermodel een matig succesniveau behaalde in het doen van deze voorspellingen. Wanneer het werd getest op de groep patiënten die werden gebruikt om het systeem te trainen, behaalde het model een AUC van 0,73. Wanneer de onderzoekers hetzelfde model testten op de onafhankelijke groep patiënten uit het tweede ziekenhuis, bleef de prestatie consistent, waarbij het model een AUC van 0,74 behaalde. Deze consistentie over twee verschillende ziekenhuizen heen, die verschillende echografieapparaten gebruikten, suggereert dat de computer een echt patroon heeft geleerd in plaats van alleen de specifieke beelden te hebben onthouden die hem getoond werden. Het model is echter geen perfecte kristallen bol. In de testgroep van de patiënten uit het tweede ziekenhuis was het model zeer goed in het correct identificeren van patiënten die geen kankeruitzaaiingen hadden, met een succespercentage van ongeveer 84 procent. Dit is een waardevolle bevinding, omdat het betekent dat dit instrument artsen potentieel kan helpen om met meer vertrouwen de invasieve biopsie over te slaan voor bepaalde patiënten met een laag risico.

Toch benadrukt de studie ook waar het instrument tekortschiet. Het model was minder succesvol in het vangen van elk geval waarin kanker wel was uitgezaaid, waarbij het die gevallen slechts ongeveer 65 procent van de tijd correct identificeerde. Omdat het sommige gevallen van uitzaaiing miste, benadrukken de onderzoekers dat dit instrument de standaard biopsieprocedure niet op zichzelf kan vervangen. Als een arts uitsluitend op deze computervoorspelling zou vertrouwen om de verspreiding van kanker uit te sluiten, zou hij mogelijk onbedoeld sommige patiënten naar huis sturen zonder de noodzakelijke behandeling. De auteurs beschrijven het model als een behulpzame assistent in plaats van een vervanging, een instrument dat een extra laag informatie aan het besluitvormingsproces kan toevoegen. Ze merken op dat de studie retrospectief was, wat betekent dat er terug is gekeken naar gegevens die al waren verzameld, en dat het aantal patiënten relatief klein was. De onderzoekers wijzen ook erop dat de computer niet is geleerd om uit te leggen waarom hij een bepaalde beslissing nam, wat een veelvoorkomend probleem is bij dit type geavanceerde kunstmatige intelligentie.

De weg vooruit, volgens de auteurs, houdt in dat dit instrument in de toekomst op veel grotere patiëntengroepen getest moet worden. Ze suggereren dat voordat deze technologie in de dagelijkse klinische praktijk kan worden gebruikt, deze bewezen moet worden in prospectieve studies, waarbij patiënten in de loop van de tijd worden gevolgd om te zien of de voorspellingen standhouden in de echte wereld. Het doel is om te zien of het combineren van deze computeranalyse met andere standaardinformatie, zoals de grootte van de tumor of de leeftijd van de patiënt, de nauwkeurigheid nog verder kan verbeteren. Voor nu biedt de studie een veelbelovend vooruitzicht op een toekomst waarin kunstmatige intelligentie artsen kan helpen bij het nemen van meer gepersonaliseerde beslissingen, waarbij vrouwen potentieel wordt bespaard van onnodige chirurgie terwijl zij die het wel nodig hebben, het ook daadwerkelijk ontvangen. Het werk demonstreert dat hoewel de technologie nog niet klaar is voor het grote publiek, het de theoretische fase is ontgroeid en een echt, meetbaar potentieel heeft getoond in een klinische setting.