A practical roadmap to implementation of in-house developed computational pathology algorithms

In de stille, glazen kamers van een modern pathologielaboratorium is een nieuw soort helper begonnen te werken naast de artsen die ziekten diagnosticeren. Decennialang was de taak van de patholoog het onderzoeken van dunne weefselcoupes onder een microscoop, op zoek naar de kleine, veelzeggende tekenen van kanker die het blote oog zou kunnen missen. Dit werk is traag, minutieus en vereist enorme concentratie. Onlangs hebben computers ook geleerd om dit te doen. Met behulp van een vorm van kunstmatige intelligentie kunnen deze programma's digitale afbeeldingen van weefselslides scannen en afwijkingen opsporen met een snelheid en precisie die die van menselijke experts evenaart. Toch, terwijl de technologie in onderzoekslaboratoria snel is geavanceerd, heeft het zelden de sprong gemaakt naar de dagelijkse routine van een ziekenhuis. De kloof tussen een computerprogramma dat werkt in een test en een programma dat wordt vertrouwd om levens te redden in een echte kliniek is groot, gevuld met hindernissen van veiligheid, regelgeving en de complexe realiteit van hoe artsen daadwerkelijk werken.

Een team van onderzoekers aan het Radboud Universiteit Medisch Centrum in Nederland heeft die kloof nu overbrugd. Ze hebben niet alleen een slim algoritme gebouwd; ze bouwden een compleet systeem om dat algoritme aan het werk te zetten in hun eigen ziekenhuis, direct naast hun pathologen. Hun doel was om een specifiek, cruciaal probleem op te lossen: bepalen of borstkanker is uitgezaaid naar de sentinel lymfeklieren, de eerste klieren waar kankercellen waarschijnlijk naartoe reizen. In het verleden moesten artsen handmatig elke enkele slide controleren, en als ze geen kanker zagen, moesten ze vaak alsnog een tweede, duurdere test aanvragen om het zeker te weten. De onderzoekers wilden zien of hun in-house computertool hen kon helpen om onnodige stappen over te slaan, tijd te besparen en meer kanker te ontdekken, terwijl ze zich aan strikte veiligheidsregels hielden.

De reis begon met een eenvoudige maar moeilijke vraag: kon een computerprogramma erop worden vertrouwd dit werk veilig uit te voeren? Voordat het team de tool de kans gaf om een echt patiëntendossier aan te raken, onderwierpen ze het aan een reeks strenge tests. Ze voerden het programma digitale afbeeldingen van lymfeklieren, inclusclusief 4-48 negatieve secties en in totaal 100 gevallen, waarvan sommige kleine clusters van kankercellen bevatten. Ze wilden zien of de computer fouten zou maken, zoals het missen van een kankercel of het onterecht markeren van een gezonde plek als gevaarlijk. De resultaten waren geruststellend. Wanneer de computer naar gezond weefsel keek, identificeerde het dit honderd procent van de tijd correct als negatief. Wanneer het naar weefsel met kanker keek, vond het de overgrote meerderheid van de gevallen en miste het alleen de allerkleinste clusters van cellen. Cruciaal was dat het team ook testte of de computer in de war zou raken door lichte veranderingen in de manier waarop de slides werden gekleurd of gescand, wat de natuurlijke variaties nabootst die in een druk laboratorium voorkomen. De tool bleef stabiel en betrouwbaar, wat bewees dat het de rommelige realiteit van een werkend laboratorium kon aan kunnen.

Met de technische prestaties bevestigd, ging het team over naar de volgende fase: kijken hoe de tool werkte wanneer echte artsen er gebruik van maakten. Ze stelden een scenario op waarbij pathologen gevallen beoordeelden met en zonder de hulp van de computer. De resultaten toonden een duidelijk voordeel. Wanneer de artsen de assistentie van de computer hadden, waren ze in staat om vaker kanker op te sporen, waardoor ze gevallen ontdekten die ze anders wellicht hadden gemist. Belangrijker nog, de tool veranderde de manier waarop het werk verliep. In het oude systeem zou een arts naar een slide kijken, en als hij geen kanker zag, moest hij nog steeds wachten op een tweede, gespecialiseerde kleuring om het resultaat te bevestigen. Met het nieuwe systeem, als de computer er zeker van was dat een slide negatief was, kon de laborant onmiddellijk de tweede kleuring aanvragen zonder dat de arts de eerste slide opnieuw hoefde te bekijken. Deze kleine verandering betekende dat de arts voor negatieve gevallen helemaal geen tijd hoefde te besteden aan het herzien van de initiële afbeelding. Voor de gevallen waarin kanker werd gevonden, daalde de tijd die nodig was om tot een beslissing te komen aanzienlijk, van gemiddeld negen seconden naar slechts vier seconden.

Echter, het team wist dat snelheid en nauwkeurigheid niet genoeg waren. In een ziekenhuis is veiligheid de absolute prioriteit. Voordat de tool live kon gaan, moest het team elke stap van het proces in kaart brengen om potentiële foutpunten te vinden. Ze brachten pathologen, laboranten en veiligheidsexperts samen om zich voor te stellen wat er allemaal mis zou kunnen gaan, van een computercrash tot een menselijke fout bij het lezen van de resultaten. Ze vonden geen grote risico's die niet beheersbaar waren. Ze ontwierpen het systeem zo dat de resultaten van de computer duidelijk op het scherm van de patholoog werden weergegeven, als een behulpzame gids in plaats van een vervanging. Als de computer een plek als positief markeerde, zag de arts dit onmiddellijk. Als de computer negatief aangaf, ging de laborant door met de volgende stap, maar de arts bleef verantwoordelijk voor de uiteindelijke beslissing. Deze zorgvuldige planning zorgde ervoor dat de technologie de artsen ondersteunde, in plaats van hen te verwarren of hun expertise te passeren.

Het laatste puzzelstukje was het integreren van de tool in de bestaande digitale wereld van het ziekenhuis. De onderzoekers bouwden een aangepaste softwarebrug die hun kunstmatige intelligentie verbond met het hoofdafbeeldingssysteem van het ziekenhuis. Deze brug fungeerde als een beveiligde koerier, die de digitale slides uit het zicht van de artsen nam, ze naar de computer stuurde voor analyse, en de resultaten onmiddellijk terugbracht. Dit alles gebeurde binnen het eigen beveiligde netwerk van het ziekenhuis, wat betekende dat er nooit patiëntgegevens het gebouw verlieten. Het systeem werd ontworpen om flexibel te zijn, in staat om meer werk aan te kunnen naarm evenredige groei van het ziekenhuis, en eenvoudig genoeg zodat het personeel niet een compleet nieuwe manier van werken hoefde te leren.

Zodra het systeem live was, observeerde het team hoe het presteerde in de echte wereld. De tool wordt momenteel gebruikt in hun pathologieafdeling, als onderdeel van de workflow om kanker nauwkeuriger te identificeren en het aantal onnodige tests dat moet worden uitgevoerd te verminderen. De onderzoekers ontdekten dat de succesvolle implementatie van deze tool veel meer vereiste dan alleen een slim algoritme; het vereiste een diep begrip van hoe een ziekenhuis werkt, een toewijding aan veiligheid en een bereidheid om de dagelijkse routine van het personeel te herontwerpen. Ze bewezen dat wanneer je een systeem bouwt met de artsen en laboranten in gedachten, en wanneer je de strikte regels van veiligheid en regelgeving volgt, kunstmatige intelligentie kan bewegen van een concept in een onderzoekspaper naar een vertrouwde partner in de strijd tegen ziekte. Dit werk biedt een duidelijk pad voor andere ziekenhuizen om te volgen, en laat zien dat de toekomst van medische diagnose niet gaat over het vervangen van de menselijke expert, maar over het geven van de juiste instrumenten om hun beste werk te doen. Hoewel de tool nu in gebruik is, blijft het team de langetermijnprestaties en veiligheid monitoren via voortdurende post-market surveillance, om ervoor te zorgen dat de voordelen over de tijd heen behouden blijven.