Joint Classification and Supervised Contrastive Representation Learning for Cervical Cancer Detection in Histopathological Images

In de stille, risicovolle wereld van medische diagnostiek fungeren pathologen als de uiteindelijke poortwachters voor de behandeling van kanker. Zij onderzoeken dunne weefselcoupes onder krachtige microscopen, op zoek naar subtiele veranderingen in celvormen en -arrangementen die de aanwezigheid van een ziekte signaleren. Voor baarmoederhalskanker is dit proces cruciaal; het vroegtijdig opsporen van de ziekte kan levens redden, maar de taak is uiterst moeilijk. De weefselmonsters zijn complex en zien er vaak bedrieglijk vergelijkbaar uit, of ze nu gezond of ziek zijn, en de visuele verschillen kunnen minimaal zijn. Om menselijke experts te ondersteunen, hebben wetenschappers gebruikgemaakt van kunstmatige intelligentie door computers te leren deze patronen te herkennen. Echter, standaard computermodellen worstelen vaak met de rommelige realiteit van medische beelden, waarbij de belichting varieert, kleuringsprocessen verschillen en gezond weefsel verrassend onregelmatig kan zijn. Het doel is niet alleen om een computer het juiste antwoord te laten raden, maar om de computer te leren de diepe, structurele verschillen te begrijpen tussen een gezonde cel en een kankercel, waardoor een mentale kaart ontstaat waar gelijkaardige zaken bij elkaar worden gegroepeerd en verschillende zaken van elkaar worden weggeduwd.

Een team van onderzoekers heeft een nieuwe methode ontwikkeld om computers te helpen navigeren door deze visuele complexiteit. Ze creëerden een systeem dat ontworpen is om histopathologische beelden van de baarmoederhals te lezen en onderscheid te maken tussen normaal weefsel en weefsel dat door kanker is aangetast. In plaats van te vertrouwen op één enkele manier van leren, combineerden ze twee verschillende strategieën. De eerste is de traditionele aanpak, waarbij de computer simpelweg het juiste antwoord krijgt voor elk beeld en probeert zijn fouten te minimaliseren. De tweede, meer geavanceerde strategie wordt supervised contrastive learning genoemd. Deze techniek dwingt de computer om dieper te kijken, waarbij het leert om beelden van hetzelfde type dichter bij elkaar te brengen in zijn interne geheugen, terwijl het beelden van verschillende typen verder van elkaar wegduwt. Denk bij dit proces aan het organiseren van een bibliotheek: de traditionele methode zorgt ervoor dat elk boek op de juiste plank staat, terwijl de contrastieve methode ervoor zorgt dat boeken over hetzelfde onderwerp netjes naast elkaar gestapeld zijn, wat het makkelijker maakt om ze te vinden en te onderscheiden van ongerelateerde volumes. Door beide methoden tegelijkertijd te gebruiken, wilden de onderzoekers een model creëren dat niet alleen accuraat is, maar ook het visuele landschap begrijpt van het weefsel dat het onderzoekt.

Het team testte hun systeem met behulp van een specifieke collectie afbeeldingen die bekend staat als de CAISHI-dataset, die 2.240 hoogresolutiebeelden van baarmoederhalsweefsel bevat afkomstig uit een ziekenhuis in China. Deze beelden zijn zorgvuldig gelabeld door deskundige pathologen, waarbij sommige normale klieren laten zien en andere een specif씩 type precancereuze verandering, genaamd adenocarcinoma in situ. Om hun resultaten betrouwbaar te maken, hebben de onderzoekers de data niet slechts één keer getest. Ze verdeelden de data in vijf verschillende groepen, waarbij ze het systeem trainden op vier groepen en testten op de vijfde, en herhaalden dit proces totdat elke afbeelding voor het testen was gebruikt. Deze rigoureuze aanpak onthulde dat hun gecombineerde methode een gemiddelde nauwkeurigheid van 96,90 procent bereikte. Deze prestatie was opmerkelijk consistent over alle vijf de tests, met zeer weinig variatie, wat suggereert dat het model stabiel is en niet simpelweg geluk heeft gehad met een specifieke set afbeeldingen. Het systeem vertoonde ook een hoge precisie en recall, wat betekent dat het zelden een gevallen van kanker miste en zelden gezond weefsel als kanker markeerde.

Om te begrijpen waarom deze nieuwe methode zo goed werkte, voerden de onderzoekers een reeks experimenten uit waarbij ze specifieke onderdelen van hun systeem verwijderden of veranderden. Ze ontdekten dat als ze alleen vertrouwden op de traditionele methode van leren, de nauwkeurigheid licht daalde, wat bewees dat de contrastive learning-component essentieel was voor het succes van het model. Ze testten ook verschillende instellingen om de perfecte balans tussen de twee leerstrategieën te vinden. Ze ontdekten dat het geven van een specifieke, gematigde weging aan het contrastieve leergedeelte de beste resultaten opleverde, terwijl het geven van te veel gewicht aan dit onderdeel de prestaties van het model juist verslechterde. Deze zorgvuldige afstemming toonde aan dat de twee methoden het best werken wanneer ze elkaar ondersteunen in plaats van met elkaar concurreren. Bovendien gebruikten de onderzoekers een visualisatietool om te zien op welke delen van de beelden de computer zich concentreerde. Bij het bekijken van gezond weefsel benadrukte de computer brede, uniforme gebieden. Bij het bekijken van kankercellen richtte de computer zich op kleine, heldere, onregelmatige plekken die overeenkwamen met de dichte, chaotische celstructuren die typerend zijn voor de ziekte. Dit bevestigde dat het model niet simpelweg gokte op basis van achtergrondruis, maar daadwerkelijk de relevante biologische kenmerken identificeerde.

De studie plaatst deze nieuwe aanpak in de context van andere methoden die worden gebruikt voor de detectie van baarmoederhalskanker. Eerdere pogingen met oudere machine learning-technieken of standaard deep learning-modellen zonder het contrastieve element behaalden lagere nauwkeurigheidspercentages. Zelfs sommige geavanceerde modellen die gebruikmaken van andere soorten neurale netwerken, hadden moeite om de prestaties van deze gecombineerde aanpak te evenaren. De onderzoekers merkten op dat hoewel hun systeem zeer effectief is, het slechts op één specifieke dataset is getest. Dit betekent dat hoewel de resultaten sterk zijn, het model nog steeds getest moet worden op afbeeldingen van verschillende ziekenhuizen en met verschillende kleuringstechnieken om te garanderen dat het overal werkt. Ondanks deze beperking suggereren de bevindingen dat het aanleren van computers om visuele informatie te organiseren op basis van gelijkenis, naast het simpelweg onthouden van labels, een robuustere en betrouwbaardere tool voor medische diagnose creëert. Het werk biedt een veelbelovend pad voorwaarts voor kunstmatige intelligentie in de pathologie, waarbij de stap wordt gezet van eenvoudige patroonherkenning naar een dieper begrip van het visuele bewijs dat een ziekte definieert.