SpineFusion for plane aware local and global MRI classification of multiple sclerosis and myelitis

Het menselijk zenuwstelsel is een uitgestrekt, ingewikkeld netwerk, en wanneer het functioneert, kunnen de gevolgen diepgaand zijn. Twee dergelijke aandoeningen, multiple sclerose en myelitis, hebben betrekking op ontstekingen en schade aan de beschermende laag van zenuwvezels, wat letsels creëert die de communicatie binnen het lichaam verstoren. Multiple sclerose presenteert zich vaak met korte, verspreide plekken van schade, terwijl myelitis lange, continue stroken van ontsteking kan veroorzaken. Het onderscheid tussen beide ziekten is essentieel voor de behandeling, maar het is een moeilijke taak voor artsen die naar medische beelden kijken. Deze beelden, bekend als magnetische resonantie beeldvorming of MRI-scans, leggen het lichaam vast in dunne plakjes vanuit verschillende hoeken. Soms is het verschil tussen de twee ziekten subtiel, verborgen in de textuur van een klein plekje of in de manier waarop een letsel zich over een doorsnede uitstrekt. Bovendien verandert de oriëntatie van de scan — of er nu van de zijkant of van bovenaf naar het lichaam wordt gekeken — hoe de anatomie verschijnt, wat een extra laag van complexiteit toevoegt aan de diagnose.

Om artsen te helpen bij het navigeren door deze complexiteit, hebben onderzoekers zich tot kunstmatige intelligentie gewend, specifiek een vakgebied genaamd deep learning. Deze computersystemen zijn ontworpen om patronen te leren van enorme hoeveelheden gegevens, net zoals een student die leert van een tekstboek, maar ze doen dit door miljoenen interne instellingen aan te passen om visuele kenmerken te herkennen. De uitdaging is geweest om een systeem te bouwen dat zowel de fijne details van een letsel als de bredere context van de omliggende anatomie kan zien, terwijl het ook begrijpt vanuit welke hoek de afbeelding is genomen. Als een computer kan leren om deze verschillende perspectieven te combineren, kan het een betrouwbaarder tweede oordeel bieden voor moeilijke gevallen.

Een team van onderzoekers van universiteiten in Turkije heeft een nieuwe aanpak voor dit probleem ontwikkeld, waarbij ze een systeem creëerden dat ze SpineFusion noemen. Hun werk richt zich op het leren van een computer om naar MRI-scans van de wervelkolom en de hersenen te kijken, om te identificeren of een patiënt gezond is of lijdt aan multiple sclerose of myelitis. De onderzoekers hebben niet simpelweg één standaard computerprogramma getraind; in plaats daarvan hebben ze een dual-engine systeem gebouwd dat nabootst hoe een menselijke expert naar een afbeelding zou kijken. Eén deel van het systeem is ontworpen om lokale details op te merken, zoals de specifieke textuur van een klein letsel, terwijl het andere deel naar het grotere plaatje kijkt, het begrijpen van de algehele vorm en context van de ruggenmerg of de hersenen. Cruciaal is dat deze twee delen niet in isolatie werken. Ze wisselen voortdurend informatie uit, waarbij het op details gerichte deel hulp vraagt aan het op context gerichte deel, en vice versa. Daarnaast wordt het systeem expliciet verteld of het naar een zijwaarts aanzicht of een bovenaanzicht van het lichaam kijt, een stuk informatie dat het helpt de visuele gegevens correct te interpreteren.

De onderzoekers testten dit nieuwe systeem op drie verschillende collecties publieke medische beelden. De eerste collectie bevatte bijna 2.800 afbeeldingen van ruggenmergen, gelabeld als gezond, multiple sclerose of myelitis. De tweede set bevatte meer dan 3.400 hersenafbeeldingen, waarbij onderscheid werd gemaakt tussen gezonde individuen en mensen met multiple sclerose. De derde en grootste set bevatte bijna 12.000 afbeeldingen die acht verschillende neurologische aandoeningen besloegen, variërend van de ziekte van Alzheimer tot hersentumoren. In elk geval werd het systeem afzonderlijk getraind en getest, om ervoor te zorgen dat de kennis verkregen uit de ene set afbeeldingen niet doorsijpelde naar de test van een andere set.

De resultaten toonden aan dat het systeem zeer effectief was in zijn taak. Op de spinale afbeeldingen identificeerde het de conditie correct in ongeveer 95% van de gevallen. Op de hersenafbeeldingen behaalde het een AUC van bijna 0,98, en op de grote, complexe set van acht verschillende ziekten bereikte het een AUC van meer dan 0,99. De onderzoekers waren echter voorzichtig om niet te beweren dat dit een perfecte oplossing was. Wanneer ze hun nieuwe systeem vergeleken met oudere methoden die eerder hoge scores hadden gerapporteerd, vonden ze dat hun aanpak niet noodzakelijkerwijs de beste bestaande cijfers versloeg. Sterker nog, het deel van hun systeem dat gewijd is aan het opsporen van lokale details was op zichzelf al zo sterk dat het toevoegen van de globale context en de oriëntatie-informatie de resultaten slechts met een fractie verbeterde. Dit suggereert dat voor dit specifieke type ruggenmeren het vermogen om fijne textuur te zien de belangrijkste factor is, en dat de toegevoegde complexiteit van het combineren van weergaven slechts een marginaal voordeel biedt.

De studie benadrukte ook waar het systeem nog steeds moeite mee heeft. De meest voorkomende fouten traden op wanneer de computer multiple sclerose verwarde met myelitis, twee condities die klinisch zeer vergelijkbaar zijn en vaak moeilijk uit elkaar te houden zijn, zelfs voor menselijke experts. De onderzoekers merkten ook een significante beperking op in hun data: de afbeeldingen kwamen uit publieke archieven die niet altijd duidelijke labels bevatten die meerdere doorsneden aan dezelfde patiënt koppelden. Dit betekent dat doorsneden van dezelfde persoon zowel in de trainingsgroep als in de testgroep terecht hadden kunnen komen, wat het systeem nauwkeuriger zou kunnen doen lijken dan het werkelijk is wanneer het met een volledig nieuwe patiënt wordt geconfronteerd. Vanwege dit reden benadrukten de onderzoekers dat hun bevindingen een proof of concept zijn en geen direct inzetbare medische tool.

Uiteindelijk demonstreert dit werk dat het mogelijk is om een machine learning-model te bouwen dat zowel de lokale details als de globale context van medische beelden begrijpt, en dat het de oriëntatie van de scan kan gebruiken om zijn oordeel te verbeteren. Het systeem slaagde erin om deze verschillende soorten informatie te fuseren, waardoor een robuust kader ontstond voor de analyse van MRI-scans. Hoewel de huidige resultaten veelbelovend zijn, concluderen de onderzoekers dat voordat een dergelijk instrument kan worden gebruikt om patiënten te helpen, het getest moet worden op data waarbij elke doorsnede zorgvuldig per patiënt is gegroepeerd, om te garanderen dat het systeem werkelijk over de ziekte leert en niet alleen de specifieke afbeeldingen die het heeft gezien, uit het hoofd leert. De weg vooruit houdt in dat deze modellen worden verfijnd en gevalideerd in klinische omgevingen in de echte wereld, waar de belangen groot zijn en de behoefte aan precisie absoluut is.