A Systematic Review and Descriptive Quantitative Synthesis of Artificial Intelligence in Cervical Cancer Screening and Diagnosis
Deze systematische review van 898 studies naar kunstmatige intelligentie bij de screening en diagnose van baarmoederhalskanker laat een brede toepassing over meerdere modaliteiten zien, maar benadrukt significante methodologische heterogeniteit en beperkingen in de rapportage die een gepoolde kwantitatieve analyse verhinderen, wat de dringende behoefte aan gestandaardiseerde rapportage, externe validatie en prospectieve klinische evaluatie onderstreept.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Baarmoederhalskanker is een ziekte die, hoewel te voorkomen, nog steeds wereldwijd levens eist. De sleutel tot het stoppen ervan ligt in het vroegtijdig opsporen van abnormale cellen, vaak nog voordat ze kanker worden. Artsen gebruiken momenteel verschillende hulpmiddelen om dit te doen, variërend van het bekijken van cellen onder een microscoop tot het onderzoeken van de baarmoederhals met een speciale camera. Deze methoden zijn echter sterk afhankelijk van menselijke vaardigheid en kunnen variëren afhankelijk van wie de beoordeling uitvoert of de kwaliteit van de beelden. In de afgelopen jaren hebben wetenschappers zich gericht op kunstmatige intelligentie, een vakgebied waar computers patronen leren herkennen, om bij deze taak te helpen. Deze computerprogramma's kunnen worden getraind om tekenen van ziekte in medische beelden te herkennen, wat potentieel een tweede paar ogen biedt dat nooit moe wordt. De belofte is dat deze hulpmiddelen de screening nauwkeuriger en toegankelijker kunnen maken voor meer mensen, maar de vraag blijft: hoe goed werken ze eigenlijk in de echte wereld?
Een team van onderzoekers zette zich in om dit te beantwoorden door elke beschikbare studie over kunstmatige intelligentie gebruikt voor de screening en diagnose van baarmoederhalskanker te verzamelen. Ze doorzochten vier belangrijke wetenschappelijke databases op zoek naar elk origineel onderzoek dat computers gebruikte om cellen, beelden van camera's of weefselmonsters te analyseren. Na het verwijderen van dubbele vermeldingen en het filteren van studies die niet aan hun strikte criteria voldeden, bleven er 898 studies over om te onderzoeken. Deze enorme collectie besloeg een breed scala aan toepassingen, van het analyseren van Pap-smear-preparaten en vloeibare celmonsters tot het beoordelen van beelden genomen tijdens colposcopie, een procedure waarbij een arts nauwkeurig naar de baarmoederhals kijkt, en zelfs het onderzoeken van weefsel onder een microscoop. Het aantal gepubliceerde studies over dit onderwerp is snel gegroeid, waarbij de meerderheid in de afgelopen jaren verscheen, wat een enorme belangstelling weerspiegelt voor het gebruik van machine learning en deep learning om medische problemen op te lossen.
De onderzoekers ontdekten dat hoewel kunstmatige intelligentie op veel verschillende manieren wordt gebruikt, de resultaten moeilijk direct te vergelijken zijn. Van de 898 studies leverden er slechts 60 duidelijke cijfers over hoe goed de computer presteerde, zoals hoe vaak het de ziekte correct identificeerde of de ziekte correct uitsloot. Zelfs onder deze 60 studies was de informatie vaak incompleet. Om echt te weten hoe goed een diagnostisch hulpmiddel is, moeten wetenschappers meestal een volledige set gegevens zien die precies laat zien hoeveel gevallen correct zijn geïdentificeerd, hoeveel er zijn gemist, en hoeveel gezonde gevallen onterecht als ziek zijn gemarkeerd. Geen van de studies in dit overzicht bood deze volledige set cijfers. Omdat de gegevens ontbraken of op verschillende manieren werden gerapporteerd, konden de onderzoekers de resultaten niet combineren in één enkele, algemene score van nauwkeurigheid. Ze konden geen gemiddelde score berekenen die de wereld precies zou vertellen hoe effectief deze hulpmiddelen op dit moment zijn.
In plaats van één enkel getal, leverde het team een beschrijvende samenvatting van wat zij vonden. Zij merkten op dat nauwkeurigheid de meest voorkomende gerapporteerde metriek was, gevolgd door sensitiviteit, wat meet hoe goed het hulpmiddel de ziekte detecteert, en specificiteit, wat meet hoe goed het valse alarmen vermijdt. De studies varieerden enorm in hoe ze waren ontworpen, wat voor soort gegevens ze gebruikten en hoe ze hun computermodellen testten. Sommigen gebruikten gegevens van een enkel ziekenhuis, terwijl anderen beelden van meerdere locaties gebruikten. Sommigen vergeleken hun AI met een menselijke expert, terwijl anderen een andere standaard gebruikten. Deze variëteit betekende dat een hulpmiddel dat in één studie erg goed leek, misschien niet op dezelfde manier presteerde in een andere setting. De onderzoekers keken ook naar de kwaliteit van de studies en stelden vast dat veel studies een gebrek hadden aan duidelijke details over hoe de gegevens werden gekozen of hoe de modellen werden getest, wat het moeilijk maakt om de resultaten volledig te vertrouwen.
De conclusie van dit uitgebreide overzicht is dat hoewel kunstmatige intelligentie een brede potentie heeft om artsen te helpen bij het screenen op en diagnosticeren van baarmoederhalskanker, het huidige bewijs nog niet klaar is om een definitief oordeel te vellen over de algehele prestaties. De hulpmiddelen bestaan en worden in veel verschillende contexten gebruikt, maar de manier waarop het onderzoek wordt gerapporteerd, maakt het onmogelijk om precies te zeggen hoe betrouwbaar ze in algemene zin zijn. De auteurs suggereren dat voor deze hulpmiddelen om een standaard onderdeel van de medische zorg te worden, toekomstige studies consistenter moeten zijn. Ze moeten grotere groepen patiënten uit verschillende plaatsen gebruiken, dezelfde testregels volgen en hun resultaten volledig rapporteren, inclus\nief de volledige uitsplitsing van correcte en onjuiste bevindingen. Totdat deze stappen worden ondernomen, zal het volledige potentieel van kunstmatige intelligentie in dit levensreddende veld een belofte blijven in plaats van een bewezen realiteit.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.