Detection of extraprostatic extension of prostate cancer by transfer learning AI models versus radiologists on biparametric and multiparametric MRI

Prostaatkanker is de meest voorkomende vorm van kanker onder mannen in de Verenigde Staten, en het bepalen van hoe ver de ziekte zich heeft uitgebreid, is een cruciale stap bij het beslissen over de behandeling ervan. Wanneer een tumor beperkt is tot binnen de prostaatklier, kunnen artsen deze vaak verwijderen met een operatie waarbij belangrijke zenuwen worden gespaard. Echter, als de kanker voorbij de buitenste grens van de klier is gedrongen, een conditie die bekend staat als extraprotatische extensie, moet het behandelplan worden gewijzigd. Chirurgen moeten dan mogelijk bredere weefselmarges verwijderen, en patiënten kunnen aanvullende therapieën nodig hebben, zoals radiotherapie of hormoonbehandeling, om te voorkomen dat de kanker terugkeert. Decennialang hebben artsen vertrouwd op magnetische resonantie beeldvorming, oftewel MRI, om deze tekenen van verspreiding voor de operatie op te sporen. Hoewel deze scans krachtig zijn, is het interpreteren ervan moeilijk. De tekenen dat een tumor door de rand van de klier breekt kunnen subtiel zijn, en zelfs ervaren specialisten missen ze soms of zijn het oneens over wat ze zien.

Om dit probleem aan te pakken, onderzochten een team van onderzoekers van de NYU Grossman School of Medicine en de University of Washington of kunstmatige intelligentie het niveau van menselijke radiologen kon evenaren bij het detecteren van dit specifieke type kankeruitbreiding. Ze richtten zich op twee soorten MRI-scans: een standaardversie die gebruikmaakt van meerdere typen data, en een gestroomlijnde versie die minder sequenties gebruikt, maar sneller en goedkoper uit te voeren is. De onderzoekers bouwden computermodellen die in staat waren om te leren van duizenden eerdere patiëntenscans om de patronen te herkennen die geassocieerd worden met kanker die buiten de prostaat is uitgebreid. Hun doel was niet alleen om te zien of de machines konden leren, maar om te bepalen of ze dat konden doen zonder dat een mens eerst gedetailleerde contouren rond de prostaat of de tumor hoefde te tekenen, een proces dat traag is en gevoelig is voor menselijke fouten.

De studie omvatte een grote groep patiënten die tussen serische 2015 en 2023 MRI-scans van de prostaat hadden ondergaan en vervolgens hun prostaat chirurgisch hadden laten verwijderen. Deze chirurgische verwijdering bood de 'ground truth', waardoor de onderzoekers precies wisten welke patiënten kanker hadden die zich had uitgebreid en welke niet. Het team verdeelde deze gegevens in groepen om hun computermodellen te trainen en te testen. Ze creëerden twee versies van een kunstmatig intelligentie-systeem. De eerste versie keek alleen naar de beelden van de gestroomlijnde MRI, die de structuur van de prostaat en de beweging van watermoleculen erdoorheen vastlegt. De tweede versie keerde naar diezelfde beelden plus een derde type scan dat laat zien hoe de prostaat contrastmiddel opneemt. Cruciaal was dat geen van beide versies vereiste dat een mens handmatig de prostaat of de tumor op het scherm omlijnde. In plaats daarvan analyseerde de computer het gehele volume van de scan in één keer, waarbij de computer leerde de subtiele texturen en vormen te identificeren die aangeven dat kanker de grens van de klier heeft doorbroken.

Om te zien hoe goed deze computermodellen presteerden, vergeleken de onderzoekers hen met drie hoogopgeleide radiologen die gespecialiseerd zijn in abdominale beeldvorming. Deze experts beoordeelden dezelfde testscans, waarbij ze eerst naar de gestroomlijnde beelden keken en daarna naar de volledige set beelden inclusief het contrastmiddel. Ze kenmerkten elke scan met een score op basis van hoe waarschijnlijk het was dat de kanker zich had uitgebreid. De resultaten lieten zien dat de computermodellen net zo goed presteerden als de menselijke experts. De modellen waren in staat om de verspreiding van kanker te detecteren met een nauwkeurigheidsniveau dat statistisch niet te onderscheiden was van dat van de fellowship-getrainde radiologen. Deze bevinding is significant omdat het suggereert dat kunstmatige intelligentie een betrouwbaar tweede paar ogen kan dienen, wat potentieel de werkdruk voor artsen kan verminderen en ervoor kan zorgen dat minder gevallen van verspreiding gemist worden.

De onderzoekers onderzochten ook of het toevoegen van de beelden met het contrastmiddel hielp bij de diagnose. Voor zowel de menselijke lezers als de computermodellen leidde het kijken naar de volledige set beelden inclusief het contrastmiddel tot een lichte verbetering in nauwkeurigheid. De mensen werden beter in het opsporen van de verspreiding, en de computermodellen werden iets nauwkeuriger. De verbetering was echter niet spectaculair genoeg om op basis van deze gegevens alleen al een definitieve 'game-changer' te verklaren. De studie vond ook dat de computermodellen bijzonder goed waren in het opsporen van grotere gebieden van verspreiding, terwijl zowel de mensen als de machines meer moeite hadden met zeer kleine, focale gebieden waar de kanker net begon door de grens heen te steken. Deze moeilijkheid met kleine, focale gevallen is een bekende beperking in het vakgebied, aangezien deze minuscule tekenen inherent moeilijker te zien zijn op welke scan dan ook.

Een van de meest opvallende aspecten van dit werk is hoe de computermodellen getraind werden. In tegen tegenstelling tot veel eerdere pogingen die vereisten dat artsen urenlang nauwkeurige grenzen rond de prostaat en de tumor moesten tekenen voordat de computer kon leren, leerden deze modellen direct van de ruwe beelden en de uiteindelijke chirurgische resultaten. Deze aanpak, bekend als 'weakly supervised learning', betekent dat het systeem leerde de ziekte te herkennen zonder de bottleneck van handmatige omlijning. De onderzoekers testten ook of het toevoegen van een eenvoudige bloedtestmeting, bekend als prostaat-specifiek antigeen-dichtheid, de analyse van de computer zou helpen. Hoewel het toevoegen van deze klinische gegevens de prestaties van het model licht verbeterde, bleven de beelden zelf de primaire drijfveer van de diagnose.

De studie concludeert dat deze segmentatie-vrije kunstmatige intelligentie-modellen een levensvatbaar hulpmiddel zijn voor het detecteren van kankeruitbreiding, waarbij ze op gelijke voet presteren met deskundige radiologen. Hoewel de toevoeging van contrastmiddel-beelden en klinische gegevens kleine winsten opleverden, is de kernbevinding dat de machines kunnen leren wat de experts zien zonder de tijdrovende stap van handmatige tracing. De onderzoekers erkennen dat hun werk werd uitgevoerd in één medisch centrum en dat de modellen getest moeten worden op gegevens van verschillende ziekenhuizen en verschillende soorten MRI-apparaten om te garanderen dat ze overal werken. Ze merkten ook op dat de studie retrospectief was, wat betekent dat er naar gegevens uit het verleden is gekeken, en dat toekomstig werk zich moet richten op het verfijnen van de modellen om de kleinste, meest moeilijke gevallen van verspreiding te vangen. Voor nu demonstreert het werk dat kunstmatige intelligentie het punt heeft bereikt waarop het zij aan zij kan staan met menselijke specialisten in een diagnostische taak met hoge inzet, wat een veelbelovend pad biedt naar meer consistente en toegankelijke kankerzorg.