Interactive Lesion Segmentation in Whole-Body PET/CT and Longitudinal CT: The autoPET/CT-IV Challenge

In de strijd tegen kanker vertrouwen artsen op krachtige camera's die in het menselijk lichaam kijken en beelden vastleggen van hoe organen en weefsels zich gedragen. Twee van de belangrijkste hulpmiddelen zijn PET-scans, die gebieden laten oplichten waar cellen energie verbruiken met een hoog tempo, en CT-scans, die een gedetailleerde kaart geven van de fysieke structuur van het lichaam. Wanneer artsen naar deze beelden kijken, moeten ze minuscule, vaak onregelmatige plekjes vinden waar kanker zich heeft genesteld. Deze taak gaat niet alleen over het opsporen van een enkel plekje; het houdt ook in dat er nauwkeurig wordt gemeten hoeveel van het lichaam is aangetast en dat er wordt geobserveerd hoe die plekjes veranderen over weken of maanden naarmate de behandeling effect sorteert. Dit handmatig doen is traag, uitputtend en gevoelig voor verschillen tussen artsen, wat kan leiden tot inconsistente zorg. Om dit te helpen, hebben wetenschappers jarenlang geprobeerd computers te leren dit werk automatisch uit te voeren, maar deze machines worstelen vaak wanneer de beelden er anders uitzien dan de beelden waarop ze zijn getraind, of wanneer de kankervlekken zeer klein of vaag zijn.

Een nieuwe studie brengt een wereldwijde groep onderzoekers samen om een andere aanpak te testen: in plaats om computers te vragen alles alleen te doen, vroegen ze hoe goed een computer kan werken wanneer een menselijke arts het hem stap voor stap helpt. De onderzoekers organiseerden een wedstrijd, bekend als de autoPET/CT-IV Challenge, waarbij teams uit de hele wereld hun beste computerprogramma's aanleverden om twee specifieke problemen op te lossen. Het eerste probleem hield in dat er naar een enkele set beelden werd gekeken en een mens op het scherm kon klikken om de computer te sturen, waarbij de fouten van de computer gaandeweg werden gecorrigeerd. Het tweede probleem was veel moeilijker: het vroeg de computer om naar de huidige scan van een patiënt te kijken en precies te voorspellen hoe de kanker er in een toekomstige scan uit zou zien, uitsluitend op basis van de beelden uit het verleden. Het doel was om te zien of het combineren van menselijke begeleiding met kunstmatige intelligentie een hulpmiddel kon creëren dat zowel accuraat als betrouwbaar genoeg is om in echte ziekenhuizen te gebruiken.

De resultaten toonden aan dat wanneer een menselijke arts de computer de kans krijgt om met eenvoudige klikken bij te sturen, de machine aanzienlijk beter in haar werk wordt. In de eerste taak, waarbij deelnemers kankervlekken op een enkele scan moesten omlijnen, begon het beste computerprogramma met een ruwe schatting en verbeterde het naarmate de gesimuleerde arts op de gebieden klikte die de computer gemist had of fout had ingeschat. Na tien rondes van deze correcties kwam de omlijning van de computer overeen met de werkelijke vorm van de kanker met een AUC van 0,74. Dit was een duidelijke verbetering ten opzichte van de computer die het alleen probeerde, en het systeem werkte goed bij verschillende soorten scans en van verschillende ziekenhuizen. De studie vond dat hoewel de computer beter werd in het vinden van de kanker, hij soms gezond weefsel als kanker begon te markeren wanneer hij te veel correcties kreeg, wat suggereert dat er een delicaat evenwicht moet zijn tussen het vinden van elk plekje en het niet creëren van valse alarmen.

Echter, toen de onderzoekers de computers vroegen hoe de kanker in de loop van de tijd zou veranderen, waren de resultaten veel minder bemoedigend. In de tweede taak moesten de programma's naar een basis-scan kijken en voorspellen waar de kanker in een vervolgscan maanden later zou zijn. Het beste programma in deze categorie slaagde erin de toekomstige kankervlekken te matchen met slechts ongeveer 38 procent nauwkeurigheid. Deze lage score onderstreept hoe moeilijk het is voor een machine om te begrijpen dat een tumor kan krimpen, verdwijnen of naar een nieuwe locatie kan verplaatsen. De computer had de neiging ervan uit te gaan dat als een plek er eerst was, die er later ook nog zou zijn, wat leidde tot fouten wanneer de kanker daadwerkelijk verdween of wanneer er nieuwe plekjes verschenen. De studie suggereert dat hoewel computers uitstekend worden in het vinden van wat momenteel zichtbaar is met een beetje menselijke hulp, ze nog niet klaar zijn om het toekomstige gedrag van een ziekte betrouwbaar te voorspellen op eigen kracht.

De wedstrijd onthulde ook dat het type kanker en de specifieke machine die gebruikt werd om de foto's te maken, veel uitmaakten. Programma's die goed werkten op één set beelden, hadden soms moeite met een andere, wat aantoont dat de tools nog steeds gevoelig zijn voor de specifieke omstandigheden waaronder de scans zijn gemaakt. De onderzoekers merkten op dat de computer bijzonder goed was in het vinden van grote, heldere vlekken, maar vaak kleinere, vlakkere vlekken miste, die het meest gevaarlijk zijn omdat ze gemakkelijk over het hoofd kunnen worden gezien. Door deze systemen te testen op duizenden echte patiëntenscans uit meerdere landen, gaf de studie een duidelijk beeld van waar de technologie vandaag de dag staat. Het bevestigde dat de meest veelbelovende weg vooruit niet is om de arts te vervangen door een machine, maar om een partnerschap op te bouwen waarbij de computer het zware werk afhandelt van het vinden van de plekjes, en de menselijke expert instapt om de lastige delen op te lossen.

Uiteindelijk laat dit werk zien dat de toekomst van de kankerbeeldvorming waarschijnlijk ligt in deze vorm van samenwerking. De computer kan de enorme hoeveelheid gegevens in seconden verwerken en een eerste concept van de diagnose aanbieden, terwijl de arts het definitieve oordeel geeft om te garanderen dat er niets wordt gemist. De studie concludeert dat hoewel de droom van een volledig automatisch systeem dat de progressie van de ziekte kan voorspellen nog onbereikbaar is, de instrumenten voor interactieve, ondersteunde diagnose klaar zijn om in echte klinieken te worden getest. Door de snelheid van kunstmatige intelligentie te combineren met het genuanceerde begrip van een menselijke expert, kunnen artsen mogelijk binnenkort kanker nauwkeuriger volgen en behandelingen sneller aanpassen, wat patiënten een betere kans op herstel geeft. De weg vooruit is duidelijk: bouw systemen die leren van menselijke correctie, in plaats van te proberen de mens volledig te vervangen.