Development and Validation of a Deep Learning Ensemble Model to Predict Drug-resistant Tuberculosis From Initial Chest X-ray Image

Tuberculose blijft een van de meest hardnekkige en dodelijke infectieziekten op de planeet, die jaarlijks meer dan een miljoen levens eist. Hoewel de moderne geneeskunde manieren heeft ontwikkeld om de ziekte te behandelen, loert er een groeiende dreiging: medicijnresistente stammen. Dit zijn bacteriën die hebben geleerd te overleven met de standaardmedicijnen die worden gebruikt om hen te doden. Het snel identificeren van deze resistente stammen is een race tegen de klok. Als een patiënt besmet is met een medicijnresistent exemplaar maar wordt behandeld met standaardmedicijnen, gaat de ziekte zich voortduren en verslechtert de toestand van de patiënt, wat vaak tot de dood leidt. De huidige gouden standaard voor diagnose houdt in dat een monster wordt genomen en in een laboratorium wordt getest om te zien welke medicijnen werken, maar dit proces kan weken duren. In de wereld van infectieziekten kunnen weken het verschil betekenen tussen beheersing en een wijdverspreide uitbraak.

Onderzoekers hebben lang vermoed dat de patronen zichtbaar op een borstfoto aanwijzingen kunnen bevatten over de vraag of een patiënt een medicijnresistente stam heeft. Een borstfoto is een eenvoudige, breed beschikbare afbeelding die de longen laat zien. Hoewel een menselijke arts naar deze beelden kijkt om te zien of de longen geïnfecteerd zijn, kunnen zij niet gemakkelijk onderscheid maken tussen een standaardinfectie en een infectie die resistent is tegen medicatie door alleen naar de beelden te kijken. Het menselijk oog is echter niet het enige instrument dat in staat is patronen te zien. Een nieuwe studie heeft de kracht van kunstmatige intelligentie ingezet om naar deze beelden te kijken op een manier die verder gaat dan de menselijke capaciteit, met als doel de subtiele tekenen van medicijnresistentie direct nadat een patiënt bij een kliniek arriveert te ontdekken.

Een team van onderzoekers zette zich het doel om een computersysteem te bouwen dat als een vroeg waarschuwingssignaal zou kunnen dienen. Ze creëerden geen nieuwe machine of een nieuw type scanner. In plaats daarvan gebruikten ze een enorme collectie bestaande borstfoto's en de bevestigde medische dossiers van de patiënten die deze hadden gemaakt. Deze gegevens kwamen uit een wereldwijd project genaamd TB Portals, dat informatie verzamelt over tuberculosepatiënten over de hele wereld. De onderzoekers selecteerden meer dan 7.000 afbeeldingen van patiënten uit Oost-Europa en Centraal-Azië, waarbij ze ervoor zorgden dat ze een duidelijk verslag hadden van of elke patiënt een medicijngevoelige of een medicijnresistente stam had. Ze verdeelden deze gegevens in groepen: één groep om de computer te onderwijzen, één om de voortgang te controleren, en een laatste groep om de definitieve vaardigheden te testen, net zoals een student die een oefenexamen maakt voor het echte examen.

Om hun systeem te bouwen, vertrouwden de onderzoekers niet op één enkel computerprogramma. In plaats daarvan creëerden ze een ensemble, oftewel een team van verschillende kunstmatige intelligentiemodellen die samenwerken. Ze trainden drie verschillende deep learning-modellen — complexe computerprogramma's ontworpen om patronen in afbeeldingen te herkennen — op de borstfoto's. Deze modellen leerden duizenden minuscule details in de longafbeeldingen te identificeren die het menselijk oog misschien mist. Parallel hieraan gebruikten het team een andere methode genaamd radiomics, die een afbeelding afbreekt in honderden meetbare wiskundige kenmerken, zoals textuur en vorm. Ze voegden ook basisinformatie over de patiënten toe, zoals leeftijd, geslacht en of zij andere gezondheidsproblemen hadden zoals diabetes of HIV.

De onderzoekers combineerden vervolgens de inzichten uit al deze verschillende bronnen. Ze namen de voorspellingen van de drie beeldlezende modellen, de radiomics-analyse en de basisgezondheidsgegevens van de patiënt, en voedden deze aan een uiteindelijke machine learning-classifier. Deze laatste stap fungeerde als een rechter, die alle bewijslast woog om tot een enkele waarschijnlijkheidsscore te komen. Deze score vertegenwoordigde de waarschijnlijkheid dat de patiënt een medicijnresistente vorm van tuberculose had. Het systeem was ontworpen als een poortwachter, een eerste verdedigingslinie die hoog-risicopatiënten kon markeren voor onmiddellijke, gespecialiseerde test- en behandeling, in plaats van te wachten op de trage laboratoriumresultaten.

Toen het team hun definitieve model testte op de gegevens die het nog nooit eerder had gezien, waren de resultaten veelbelovend. Het systeem maakte met een hoge mate van nauwkeurigheid correct onderscheid tussen medicijnresistente en medicijngevoelige gevallen. In de testgroep behaalde het model een score die aangeeft dat het de twee groepen betrouwbaar kon scheiden, waarbij het aanzienlijk beter presteerde dan wanneer alleen klinische informatie werd gebruikt. Het model gokte niet zomaar; het toonde een duidelijk patroon. Patiënten bij wie later de meest ernstige vorm van medicijnresistentie werd bevestigd, bekend als uitgebreid medicijnresistente tuberculose, ontvingen hogere risicoscores van het model dan patiënten met minder ernstige resistentie. Dit suggereert dat het systeem gevoelig genoeg was om de intensiteit van de resistentie te detecteren, en niet alleen de aanwezigheid ervan.

De onderzoekers keken ook naar hoe het model zijn beslissingen nam om te verzekeren dat het naar de juiste zaken keek. Met behulp van een techniek die benadrukt welke delen van een afbeelding de keuze van de computer hebben beïnvloed, vonden zij dat het model zijn aandacht richtte op de longvelden, precies waar een arts naar zou kijken. Het identificeerde donkere plekken en structurele veranderingen binnen de longen die kenmerkend zijn voor de ziekte. Echter, de studie onthulde ook een beperking. De prestaties van het model daalden wanneer patiënten andere gezondheidstoestanden hadden, zoals anemie of HIV. Dit geeft aan dat hoewel het systeem krachtig is, andere ziekten in de longen het patroon dat het probeert te vinden in de war kunnen brengen, waardoor de diagnose bij patiënten met meerdere gezondheidsproblemen moeilijker wordt.

De studie concludeert dat borstfoto's, wanneer ze worden geanalyseerd door dit specifieke type kunstmatige intelligentie, een snelle en betekenisvolle schatting van het risico op medicijnresistentie kunnen bieden. De auteurs benadrukken voorzichtig dat dit systeem geen vervanging is voor de laboratoriumtests die bevestigen welke specifieke medicijnen zullen werken. In plaats daarvan dient het als een krachtig screeningsinstrument. In een drukke kliniek, vooral in gebieden waar geavanceerde laboratoriumapparatuur schaars is, kan dit hulpmiddel artsen helpen beslissen welke patiënten onmiddellijk urgente, gespecialiseerde zorg nodig hebben. Door de meest gevaarlijke gevallen vroegtijdig te identificeren, biedt het systeem een manier om de juiste behandeling sneller te starten, wat potentieel levens redt en de verspreiding van deze moeilijk te behandelen bacteriën kan stoppen voordat ze verdere schade aanrichten. Het werk demonstreert dat we met de juiste gegevens en een collaboratieve aanpak tussen verschillende soorten computermodellen, nieuwe, levensreddende inzichten kunnen extraheren uit beelden die al decennia worden gemaakt.