Ultrasound Deep Learning for Distinguishing Benign Reactive from Hematologic Malignancy-Associated Cervical Lymphadenopathy in Children: Development and Validation

Elk jaar bezoeken miljoenen kinderen artsen omdat hun nekken gezwollen zijn. Deze bultjes zijn meestal onschuldige lymfeklieren, de kleine klieren die deel uitmaken van het immuunsysteem van het lichaam en opzwellen om een gewone verkoudheid of een virale infectie te bestrijden. In een kleine maar kritieke groep gevallen kunnen diezelfde gezwollen klieren echter het eerste teken zijn van een ernstige bloedkanker, zoals leukemie of lymfoom. Het onderscheid maken tussen een simpele reactie op een virus en een teken van kanker is een van de moeilijkste uitdagingen in de pediatrische geneeskunde. Echografie, een veilige beeldvormende tool die geluidsgolven gebruikt in plaats van straling, is de eerste stap die artsen ondernemen om in deze klieren te kijken. Het kan de vorm van de klier en de doorbloeding ervan tonen, maar de visuele aanwijzingen overlappen elkaar vaak. Een klier die er verdacht uitziet, kan simpelweg een virus aan het bestrijden zijn, terwijl een klier die er rustig uitziet, een maligniteit kan verbergen. Decennialang hebben artsen vertrouwd op hun ervaring en een checklist van kenmerken om deze beslissing te nemen, maar de grens tussen goedaardig en gevaarlijk is vaak vaag.

Een team onderzoekers van het Children's Hospital of Soochow University in China zette zich in om te zien of een computer kon leren het verschil te zien waar menselijke ogen soms aarzelen. Ze vroegen de computer niet om naar bloedtests of de medische geschiedenis van de patiënt te kijken; in plaats daarvan gaven ze alleen de echografiebeelden zelf en de contouren van de gezwollen klieren. Het doel was om een digitale assistent te bou€lden die naar een routinematige scan kon kijken en een arts kon vertellen of de zwelling waarschijnlijk een onschuldige reactie was of iets dat onmiddellijke aandacht vereiste voor bloedkanker. Deze aanpak berust op het idee dat de ruwe pixels van een echografiebeeld subtiele patronen bevatten—texturen, schaduwen en detail in de randen—die het menselijk oog misschien mist, maar die een machine kan leren herkennen.

Om deze computer te leren, verzamelden de onderzoekers een grote collectie echografiebeelden uit de archieven van hun ziekenhuis. Ze begonnen met meer dan zeshonderd beelden van gezwollen nekklieren van kinderen. Elk beeld was zorgvuldig gemarkeerd door drie ervaren echografen die onafhankelijk van elkaar en zonder de uiteindelijke diagnose te kennen, een nauwkeurige omtrek rond de lymfeklier hadden getekend. Wanneer de artsen van mening verschilden over de vorm, kwamen ze samen om tot één enkele, perfecte omtrek te komen. Dit proces zorgde ervoor dat de computer leerde van de meest nauwkeurige mogelijke kaart van het weefsel. De onderzoekers groepeerden de beelden vervolgens zodat meerdere opnames van de klier van hetzelfde kind bij elkaar werden gehouden, om te voorkomen dat de computer simpelweg hetzelfde plaatje twee keer zou onthouden. Ze verdeelden de gegevens in vijf groepen, waarbij ze de computer trainden op vier van de groepen en testten op de vijfde, waarbij ze dit proces roteerden totdat elk beeld getest was. Deze rigoureuze methode zorgde ervoor dat de resultaten geen toevalstreffer waren door een gelukkige verdeling in de data.

Het computermodel dat zij bouwden, was gebaseerd op een geavanceerde architectuur genaamd EfficientNet, die was voorgetraind op miljoenen algemene afbeeldingen om vormen en patronen te herkennen. De onderzoekers pasten dit model aan om de echografieafbeelding en de door de arts getekende omtrek als input te accepteren. Ze voedden het model met duizenden voorbeelden, waardoor het kon leren van de visuele verschillen tussen klieren veroorzaakt door leukemie of lymfoom en die veroorzaakt door virale infecties zoals het Epstein-Barr-virus of algemene ontsteking. De computer gokte niet alleen; het leerde de visuele bewijslast te wegen, waarbij de interne instellingen werden aangepast totdat het consistent de twee groepen kon scheiden.

Wanneer de onderzoekers het uiteindelijke model testten op data die het nog nooit eerder had gezien, presteerde het met een hoge mate van nauwkeurigheid. Het systeem maakte in ongeveer 86 procent van de gevallen het juiste onderscheid tussen goedaardige en kwaadaardige klieren, een maatstaf voor prestaties die bekend staat als de area under the curve. Bij een specifieke instelling, gekozen om de balans te vinden tussen het detecteren van alle kankers en het vermijden van vals alarm, was het model in ongeveer 78 procent van de gevallen correct. Het identificeerde bijna 77 procent van de werkelijke kankergevallen correct, wat betekent dat het slechts een klein deel van de gevaarlijke klieren miste, terwijl het ongeveer 80 procent van de onschuldige gevallen correct identificeerde. Dit prestatieniveau suggereert dat de echografiebeelden alleen, zonder enige andere medische informatie, voldoende visuele informatie bevatten voor een machine om een betrouwbaar onderscheid te maken.

De studie onderzocht ook hoe het model omging met verschillende soorten kanker. Het bleek dat de computer iets beter was in het opsporen van lymfomen dan van leukemie. Dit is begrijpelijk bij het bekijken van de beelden: lymfoomklieren hebben vaak zeer duidelijke, ronde vormen en donkere centra die duidelijk opvallen, terwijl klieren die worden beïnvloed door leukemie meer kunnen lijken op de rommelige, onregelmatige zwelling die bij virale infecties wordt gezien, waardoor ze moeilijker te onderscheiden zijn. Ondanks deze moeilijkheid slaagde het model er toch in om de leukemiegevallen van de goedaardige gevallen te scheiden met prestatiescores die consequent boven de 83 procent lagen voor alle specifieke vergelijkingen.

De onderzoekers merkten er zorgvuldig bij op dat dit hulpmiddel geen vervanging is voor een arts. Het stelt zelfstandig geen diagnose kanker, noch vervangt het de noodzaak voor biopten of bloedtesten wanneer een kanker wordt vermoed. In plaats daarvan fungeert het als een tweede paar ogen, dat een objectieve mening geeft over het beeld zelf. Het vertrouwen van de computer werd gekalibreerd, zodat wanneer het een hoge score gaf, de kans groot was dat de klier inderdaad kwaadaardig was. Dit zou een radioloog kunnen helpen beslissen of een kind dringende verdere tests nodig heeft of dat de zwelling veilig in de gaten kan worden gehouden. De studie werd uitgevoerd in één enkel ziekenhuis en de contouren werden met de hand getekend door experts, wat betekent dat de volgende stap is om te zien of het model even goed werkt op beelden van andere ziekenhuizen en of het kan werken met automatisch gegenereerde contouren.

Uiteindelijk laat dit werk zien dat de visuele taal van echografie geheimen bevat die kunnen worden ontcijferd door moderne kunstmatige intelligentie. Door zich strikt te richten op het beeld en de vorm van de klier, hebben de onderzoekers aangetoond dat een computer kan leren het verschil te zien tussen een kind dat een virus bevecht en een kind dat kanker bevecht. Hoewel het model nog niet klaar is voor gebruik in elke kliniek, vormen de resultaten een sterk fundament voor toekomstig onderzoek. Ze suggereren dat een computer in de nabije toekomst naast een kinderarts kan zitten, een echografie scan kan beoordelen en een op gegevens gebaseerd perspectief kan bieden dat helpt ervoor te zorgen dat geen gevaarlijk geval wordt gemist en geen kind onnodige procedures ondergaat.