A multimodal CT-based machine-learning model for differentiating pulmonary sarcomatoid carcinoma from conventional non-small cell lung cancer: an internally validated study

Longitudinale longkanker is niet één enkele ziekte, maar een verzameling van verschillende condities die een gemeenschappelijke locatie delen. Onder deze vormen is een zeldzame en agressieve variant genaamd pulmonair sarcomatoïd carcinoom bijzonder moeilijk te identificeren voordat een chirurg een stuk weefsel verwijdert voor microscopisch onderzoek. In tegenstelling tot de meer voorkomende soorten longkanker, gedraagt deze specifieke variant zich anders en vereist vaak een afwijkende aanpak voor de behandeling. De uitdaging voor artsen is dat standaard scans, die röntgenstralen gebruiken om gedetailleerde dwarsdoorsneden van het lichaam te maken, deze zeldzame kanker vaak precies hetzelfde doen lijken als de veelvoorkomende soort. Zonder een duidelijk visueel verschil kunnen patiënten langer moeten wachten op de juiste diagnose of een behandelplan ontvangen dat niet perfect is afgestemd op hun specifieke conditie.

Om deze onzekerheid aan te pakken, zetten een team van onderzoekers zich in om te zien of een computer kon leren de subtiele verschillen te ontdekken die het menselijk oog mist. Ze verzamelden scans van bijna vierhonderd patiënten uit drie verschillende medische centra, waaronder drieentachtig individuen met het zeldzame sarcomatoïde type en driehonderd veertien met de conventionele vorm. De onderzoekers voedden deze gegevens aan een machine learning-systeem, een type software dat is ontworpen om patronen te vinden in grote hoeveelheden informatie. Ze testten verschillende manieren om de computer te onderwijzen: één methode vertrouwde alleen op de medische geschiedenis van de patiënt en basisobservaties van de scan, een andere keek enkel naar de mathematische textuur van de tumor, en een derde probeerde een complex, vooraf getraind kunstmatige intelligentiesysteem te gebruiken dat heeft geleerd van miljoenen andere afbeeldingen. Ze bouwden ook een model dat al deze informatiebronnen combineerde, in de hoop dat een volledig beeld tot het beste resultaat zou leiden.

De studie toonde aan dat de meest succesvolle aanpak degene was die de klinische details van de patiënt combineerde met een gedetailleerde analyse van de textuur van de tumor. Dit gecombineerde model kon onderscheid maken tussen de zeldzame en de veelvoorkomende kankers met een hoge mate van nauwkeurigheid, waarbij het zeldzame type in ongeveer tachtigzes procent van de gevallen correct identificeerde en de andere gevallen in ongeveer zeventzes procent van de gevallen correct uitsloot. Een belangrijk fysiek kenmerk dat de computer hielp bij deze beslissing, was de aanwezigheid van gebieden met lage attenuatie binnen de tumor, wat in essentie zakjes weefsel zijn die donkerder op de scan verschijnen, wat suggereert dat ze minder dicht zijn dan de omliggende massa. De grootte en aanwezigheid van deze donkere zakjes waren sterk verbonden met de zeldzame vorm van de ziekte.

De onderzoekers ontdekten echter ook wat niet werkte. Het complexe, vooraf getrainde kunstmatige intelligentiesysteem, waarvan men zou verwachten dat het het krachtigste hulpmiddel zou zijn, voegde op zichzelf geen nuttige informatie toe. Het presteerde niet beter dan willekeurige gokken bij het proberen te onderscheiden van de twee soorten kanker. Bovendien realiseerde het team zich dat de manier waarop de scans werden gemaakt — zoals de specifieke instellingen van de CT-machine of het ziekenhuis waar de scan plaatsvond — een verrassend grote invloed had op de resultaten. Sterker nog, de verschillen in hoe de beelden werden vastgelegd, waren soms sterk genoeg om de groepen op zichzelf al te scheiden. Dit suggereert dat hoewel de computer echte patronen in het weefsel vond, een deel van het succes mogelijk werd beïnvloed door de technische variaties tussen de verschillende ziekenhuizen.

Vanwege deze technische invloeden waarschuwen de auteurs dat dit hulpmiddel nog niet klaar is voor gebruik in een ziekenhuis om definitieve beslissingen te nemen. Het model werd alleen getest op de gegevens waarmee het getraind was, en het is nog niet bewezen te werken op scans van andere machines of andere patiëntenpopulaties. De onderzoekers beschrijven hun werk als een belangrijke stap die veelbelovend is, met name door te benadrukken hoe waardevol het is om nauwkeurig naar de textuur van de tumor en de aanwezigheid van die donkere, minder dichte gebieden te kijken. Ze benadrukken dat een negatief resultaat van een dergelijk model de zeldzame kanker niet kan uitsluiten, en dat voordat deze technologie artsen kan helpen, het gevalideerd moet worden in een bredere setting waar de scans op een gestandaardiseerde manier worden gemaakt. Tot die tijd blijft de weg naar een definitieve diagnose afhankelijk van de traditionele methode van het onderzoeken van het weefsel onder een microscoop.