Longitudinale longkanker blijft de belangrijkste doodsoorzaak door kanker wereldwijd, grotendeels omdat het vaak te laat wordt ontdekt. Wanneer de ziekte vroegtijdig wordt vastgesteld, terwijl een tumor nog klein en beperkt is, zijn de overlevingskansen hoog. Wanneer het zich verspreidt, daalt de prognose drastisch. Om deze vroege tekenen te vangen, gebruiken artsen low-dose computertomografie, of CT-scans, die honderden dwarsdoorsneden van de borstkas maken. Een enkele scan produceert een enorme stapel plakjes, die een driedimensionale kaart van de longen creëert. Het lezen van deze scans is echter een uitputtend proces voor menselijke radiologen. Ze moeten plakje na plakje bestuderen, op zoek naar kleine, vage plekjes die nodules (knobbeltjes) kunnen zijn. De enorme hoeveelheid gegevens leidt tot vermoeidheid, en zelfs experts zijn het vaak oneens over wat ze zien. Dit is waar computersystemen in beeld komen, met de belofte om te fungeren als een onvermoeibare tweede paar ogen, die het hele volume scannen om potentiële bedreigingen te signaleren.

De uitdaging voor deze computers is dat de gegevens die ze analyseren lastig zijn. De beelden zijn geen perfecte kubussen; de ruimte tussen de plakjes is vaak veel groter dan de details binnen een enkel plakje. Standaard computer vision-tools, ontworpen om alle richtingen gelijk te behandelen, verspillen moeite aan het verwerken van de lege ruimte tussen de plakjes, terwijl ze de subtiele details binnen de plakjes missen. Bovendien is het vinden van een nodule iets anders dan het omlijnen van de exacte vorm ervan, terwijl de meeste systemen deze als aparte taken behandelen. De grootste hindernis is echter dat nodules extreem zeldzaam zijn in vergelijking met het gezonde longweefsel eromheen. In een piepkleine kubus longweefsel neemt de nodule misschien minder dan één procent van de ruimte in beslag. Wanneer een computerprogramma probeert te leren van een dergelijke ongebalanceerde dataset, geeft het vaak op en besluit simpelweg dat elke plek gezond weefsel is, omdat dat de veiligste, makkelijkste gok is. Dit artikel introduceert een nieuw systeem dat is ontworpen om deze specifieke problemen op te lossen, waardoor een lichtgewicht computerprogramma op kleine, draagbare apparaten kan draaien terwijl het nog steeds deze gevaarlijke plekken met verbazingwekkende nauwkeurigheid vindt en omlijnt.

De onderzoekers, werkend vanuit medische colleges in China, ontwikkelde een nieuw netwerk genaamd Light3D-NoduleNet. Hun doel was om een systeem te bouwen dat klein genoeg is om te draaien op een edge-device, zoals een draagbare computer gebruikt in een kliniek, in plaats van op een enorme serverfarm. Ze begonnen met het herontwerpen van hoe de computer naar de 3D-beelden "kijkt". In plaats van een standaard blokvormige filter te gebruiken die de op-en-neer, links-rechts en voor-en-achter richtingen hetzelfde behandelt, creëerden ze een asymmetrische filter. Deze filter begrijpt dat het beeld in één richting uitgerekt is. Het gebruikt een brede, platte filter om de gedetailleerde patronen binnen een plakje te scannen en een dunne, verticale filter om de veranderingen tussen de plakjes te controlen. Deze eenvoudige verandering vermindert het aantal berekeningen met meer dan de helft, waardoor het systeem veel sneller en lichter wordt zonder het vermogen te verliezen om fijne details te zien.

Om het systeem nog slimmer te maken, voegden de onderzoekers een mechanisme toe waarmee de computer de aandacht kan vestigen op de belangrijkste delen van het beeld. Net zoals een menselijke lezer zich op een specifiek deel van een tekst kan concentreren, leert het systeem zijn focus aan te passen op basis van de diepte van het netwerk. In de vroege lagen kijkt het naar kleine, lokale texturen, terwijl het in de diepere lagen een stap terug doet om de grotere structuren van de longen te begrijpen, zoals bloedvaten en luchtwegen. Dit helpt de computer om een onschadelijk bloedvat te onderscheiden van een gevaarlijke nodule, een taak die eenvoudigere systemen vaak in verwarring brengt.

De meest cruciale ontdekking in dit werk ging echter niet over snelheid of aandacht, maar over hoe de computer leert om twee taken tegelijk op te lossen. Het systeem is ontworpen om twee dingen gelijktijdig te doen: eerst het centrum van een nodule vinden, en vervolgens de exacte omtrek van die nodule tekenen. Bij eerdere pogingen werden deze twee taken vaak apart aangeleerd of lieten ze elkaar in isolatie werken. De onderzoekers ontdekten dat wanneer ze deze twee taken dwongen om met elkaar te communiceren, het hele systeem tot leven kwam. Ze bouwden een brug tussen de twee delen van het netwerk. Het deel dat het centrum vindt, stuurt een signaal naar het onderdeel dat de omtrek tekent, met de boodschap: "Kijk hier, dit is waar het object is." In ruil daarvoor stuurt het onderdeel dat de omtrek tekent een signaal terug, met de boodschap: "De rand is hier, dus het centrum moet nabij deze grens liggen."

Deze twee-richtingsgesprek bleek de sleutel te zijn tot het oplossen van het probleem van extreme onbalans. Zonder deze brug zou de computer simpelweg opgeven en verklaren dat de hele long gezond is, waarbij een score van ongeveer 0,23 behaalt op zijn vermogen om de nodules te vinden — een resultaat dat bekend staat als de "triviale oplossing", waarbij het model niets nuttigs leert. De onderzoekers testten dit door versies van het systeem te bouwen zonder de brug. Hoe ze de andere onderdelen ook aanpasten, die versies bleven steken op deze lage score, niet in staat om iets nuttigs te leren. Alleen wanneer de twee-richtingsverbinding aanwezig was, doorbrak het systeem de barrière van het opgeven en leerde het de nodules en hun omtrek correct te vinden en te omlijnen. Deze bevinding suggereert dat voor kleine, efficiënte medische systemen, ze ontworpen moeten worden met een ingebouwde lus waarbij verschillende taken elkaar versterken, in plaats van in isolatie te werken.

Het team testte hun systeem op duizenden echte CT-scans uit publieke medische databases. Ze vergeleken hun resultaten met verschillende gevestigde, grotere modellen. Ondanks dat ze veel minder parameters hadden en minder rekenkracht vereisten, presteerde hun systeem beter dan de grotere, complexere modellen. Het behaalde een hoog niveau van nauwkeurigheid bij het omlijnen van de nodules, waarbij het de prestaties van veel zwaardere systemen evenaarde terwijl het slechts een fractie van de middelen gebruikte. Wanneer ze het systeem op een klein, draagbaar apparaat draaiden dat bedoeld is voor veldgebruik, verwerkten ze de beelden snel genoeg om bruikbaar te zijn in een echte klinische setting, waarbij het slechts enkele seconden nodig had om een kandidaat-gebied te analyseren.

De onderzoekers verkenden ook hoe goed het systeem nodules kan vinden in een volledige scan van de gehele long. Ho'ewel het niet zo agressief was als systemen die uitsluitend voor detectie zijn gebouwd, identificeerde het de overgrote meerderheid van de nodules wanneer het werd gecombineerd met een kleine, extra stap om valse alarmen weg te filteren. Het systeem bewees dat het mogelijk is om een zeer nauwkeurig, driedimensionaal medisch hulpmiddel te creëren dat op een klein apparaat past, mits de architectuur ervoor zorgt dat de verschillende onderdelen van het systeem in een gesloten lus samenwerken. Deze aanpak biedt een nieuwe weg voor het brengen van geavanceerde longkankerscreening naar plaatsen waar grote supercomputers niet beschikbaar zijn, wat potentieel levens kan redden door vroege detectie toegankelijker te maken.