PulmoDiagAI: An Intelligent Medical Diagnosis System for Automated Pulmonary Pathology Classification using Deep Learning

De menselijke long is een delicaat, vertakkend netwerk van luchtwegen en longblaasjes, ontworpen om bij elke ademhaling zuurstof uit te wisselen voor kooldioxide. Wanneer dit systeem hapert, kunnen de gevolgen snel en ernstig zijn. Twee van de meest urgente bedreigingen voor de respiratoire gezondheid vandaag de dag zijn longkanker en de virale infectie die bekend staat als COVID-19. Beide condities verbergen zich vaak voor het oog binnen het lichaam, en openbaren zich pas via de subtiele schaduwen en texturen die zichtbaar zijn op medische beelden zoals röntgenfoto's en CT-scans. Decennialang is de taak om deze beelden te interpreteren gevallen aan radiologen, hoogopgeleide specialisten die duizenden foto's moeten scannen op zoek naar de vage tekenen van ziekte. Dit proces is essentieel, maar het is ook uitputtend en gevoelig voor menselijke fouten, vooral wanneer artsen overbelast worden door een hoog volume aan patiënten of wanneer de tekenen van ziekte ambigu zijn.

In de afgelopen jaren is er een nieuw hulpmiddel opgekomen om deze medische experts te assisteren: kunstmatige intelligentie. Specifiek stelt een tak van AI, genaamd deep learning, computers in staat om te leren patronen in afbeeldingen te herkennen, net zoals een menselijk brein dat doet, maar door miljoenen voorbeelden tegelijkertijd te verwerken. Onderzoekers hebben deze digitale systemen getraind om de kenmerkende tekens van longontsteking, tumoren en virale infecties te herkennen. Het doel is niet om de arts te vervangen, maar om een tweede paar ogen te bieden dat nooit moe wordt, nooit een detail mist door vermoeidheid, en een snelle, consistente mening kan geven over waar een patiënt mee te maken heeft. De vraag blijft echter: welk specif kind van digitaal brein werkt het beste voor welke specifieke ziekte, en kunnen deze complexe systemen eenvoudig genoeg worden gemaakt voor dagelijks gebruik in een ziekenhuis?

Een team onderzoekers van de Mouloud Mammeri Universiteit in Algerije heeft deze vragen aangepakt met een nieuw systeem dat zij PulmoDiagAI noemen. Hun werk richt zich op het creëren van een intelligent hulpmiddel dat automatisch door borstkasafbeeldingen kan sorteren om twee verschillende bedreigingen te diagnosticeren: longkanker en COVID-19. Om dit systeem te bouwen, hebben zij niet vanuit het niets een nieuw type computerbrein uitgevonden. In plaats daarvan hebben ze vijf verschillende bestaande architecturen getest—vooraf gebouwde deep learning-modellen die al getraind zijn op enorme bibliotheken van algemene afbeeldingen. Deze modellen, bekend onder namen als VGG19, ResNet50 en EfficientNet-B3, werden aangepast om specifiek naar de menselijke borstkas te kijken. De onderzoekers voedden deze modellen met duizenden medische beelden, waarbij ze de modellen leerden om onderscheid te maken tussen gezonde longen, goedaardige (niet-kankerachtige) gezwellen, kwaadaardige (kankerachtige) tumoren en virale infecties.

Het proces begon met een zorgvuldige voorbereiding van de beelden zelf. Medische scans vertonen vaak variaties in helderheid, ruis of contrast die een computer in verwarring kunnen brengen. Het team paste een reeks digitale verbeteringen toe op elke foto, waarbij ze de beelden omzetten naar grijstinten, statische ruis verwijderden en het contrast aanscherpten om de randen van de longen en eventuele abnormaliteiten duidelijk zichtbaar te maken. Deze stap was cruciaal, aangezien het ervoor zorgde dat de kunstmatige intelligentie keek naar de meest heldere versie van de anatomie van de patiënt voordat het begon met de diagnose. Zodra de beelden klaar waren, lieten de onderzoekers de vijf verschillende modellen tegen elkaar strijden, waarbij hun vermogen werd getest om de conditie in de afbeelding correct te identificeren.

De resultaten toonden aan dat geen enkel model perfect was voor elke taak; de beste keuze hing volledig af van de ziekte die werd onderzocht. Wanneer het ging om het identificeren van COVID-19 op basis van röntgenfoto's van de borstkas, steeg één model, EfficientNet-B3, boven de rest uit. Het identificeerde het virus correct in 97% van de gevallen en toonde een uitzonderlijk vermogen om onderscheid te maken tussen geïnfecteerde patiënten, patiënten met andere soorten longontsteking en mensen met gezonde longen. Dit model bleek zo betrouwbaar dat het de drie groepen bijna perfect van elkaar kon scheiden, wat het de ideale kandidaat maakte voor het detecteren van virale uitbraken.

Het verhaal veranderde echter toen het team hun aandacht richtte op longkanker. Voor deze complexere taak, die het analyseren van CT-scans omdeel om tumoren te vinden, nam een ander model de leiding. MobileNetV3, een ontwerp dat oorspronkelijk werd gemaakt om lichtgewicht en snel te zijn voor mobiele apparaten, bereikte een indrukwekkende nauwkeurigheid van 99%. Nog indrukwekkender was dat zowel MobileNetV3 als een ander model genaamd ResNet50 elk geval van kwaadaardige kanker in hun testsets hadden gevonden. Ze misten geen enkele gevaarlijke tumor. Dit is een cruciale bevinding, want bij medische screening is het missen van een kankerdiagnose veel gevaarlijker dan het geven van een vals alarm. Terwijl andere modellen soms moeite hadden om het verschil te zien tussen een onschuldig gezwel en een gezonde long, behielden deze toppresteerders een scherp onderscheid, waardoor er geen levensbedreigende conditie door de mazen van het net glipte.

De onderzoekers stopten niet bij het simpelweg vinden van de beste cijfers. Ze begrepen dat een krachtig algoritme nutteloos is als een arts het niet gemakkelijk kan gebruiken. Om deze kloof te overbruggen, bouwden ze een eenvoudig, interactief computerprogramma dat door iedereen bediend kan worden. Deze interface stelt een clinicus in staat om een borstkasafbeelding te uploaden, te selecteren of ze zoeken naar kanker of COVID-19, en direct een antwoord te ontvangen. Het systeem zegt niet alleen "kanker" of "geen kanker"; het geeft een betrouwbaarheidsscore, een percentage dat de arts vertelt hoe zeker de computer is over zijn bevinding. Deze transparantie helpt de medische professional om te beslissen hoeveel gewicht zij aan de mening van de computer moeten toekennen, waardoor een complexe wiskundige berekening wordt omgezet in een praktische, real-time assistent.

De studie bevestigt dat deep learning een krachtige bondgenoot kan zijn in de strijd tegen respiratoire ziekten, maar het benadrukt ook dat er geen 'one-size-fits-all' oplossing bestaat. Het beste hulpmiddel om een virus op te sporen is niet noodzakelijkerwijs het beste om een tumor te vinden. Door het juiste digitale brein zorgvuldig af te stemmen op de juiste medische taak, en door die technologie te verpakken in een gebruiksvriendelijke interface, hebben de onderzoekers een systeem gecreëerd dat klaar is voor de echte wereld. PulmoDiagAI staat als een demonstratie van het feit dat wanneer geavanceerde kunstmatige intelligentie wordt gekoppeld aan zorgvuldige medische voorbereiding, het een betrouwbare, snelle en toegankelijke manier kan bieden om artsen te ondersteunen bij het redden van levens.