Deep learning-assisted target volume segmentation for uterine malignancies on non-contrast CT

In de complexe wereld van kankerbehandeling werkt radiotherapie als een precieze bundel energie die ontworpen is om tumoren te vernietigen terwijl omliggende gezonde organen worden gespaard. Om dit mogelijk te maken, moeten artsen eerst een gedetailleerde kaart op een scan van de patiënt tekenen, waarbij precies wordt aangegeven waar de kanker zich bevindt en hoe ver de straling moet reiken. Deze kaart, bekend als het doelvolume, vormt de basis van het gehele behandelplan. Als de kaart te klein is, kan de kanker overleven; als deze te groot is, kan gezond weefsel beschadigd raken. Decennialang was het maken van deze kaarten een traag, handmatig proces waarbij een specialist zorgvuldig de grenzen op een computerscherm traceerde, een proces dat van persoon tot persoon verschilt en meer dan een uur voor een enkele patiënt in beslag kan nemen. De uitdaging is bijzonder moeilijk bij kankers van de baarmoeder, de cervix en het endometrium, omdat de zachte weefsels in het bekken op standaardscans vaak erg veel op elkaar lijken, waardoor de randen van de tumor moeilijk duidelijk te zien zijn.

Onderzoekers van het Ganzhou Cancer Hospital in China gingen kijken of kunstmatige intelligentie dit proces kon versnellen zonder aan nauwkeurigheid in te boeten. Ze richtten zich op een specifiek type scan, een non-contrast computertomografie, of NCCT, wat het standaard beeldvormingsinstrument is dat wordt gebruikt voor de planning van radiotherapie, maar dat het hoge contrastdetail mist van andere beeldvormingsmethoden zoals magnetische resonantie-imaging. Het team trainde een computersysteem om naar deze scans te kijken en automatisch de contouren van de doelgebieden te tekenen. Ze vroegen de computer niet simpelweg om te gokken; ze bouwden een systeem dat leerde van honderden eerdere gevallen waarin deskundige artsen de kaarten al met de hand hadden getekend. Het doel was om een hulpmiddel te creëren dat een eerste concept van de kaart kon leveren, die een arts vervolgens snel kon controleren en aanpassen, in plaats van telkens met een leeg scherm te beginnen.

De studie omvatte 157 patiënten met baarmoederkanker, verdeeld in verschillende groepen om het systeem eerlijk te testen. De computer werd getraind op een grote groep patiënten en vervolgens getest op een aparte groep die hij nog nooit eerder had gezien, om te garanderen dat hij nieuwe gevallen kon afhandelen. De resultaten lieten zien dat de kunstmatige intelligentie opmerkelijk goed was in het tekenen van de buitenste grens van het behandelgebied, ook wel het planning target volume genoemd. Gemiddeld overlapte de tekening van de computer de tekeningen van de deskundige artsen met meer dan 90 procent. Deze buitenste grens is een veiligheidsmarge die rond het eigenlijke tumorvolume wordt toegevoegd om ervoor te zorgen dat de straling het doel raakt, zelfs als de patiënt iets beweegt. De computer was echter minder perfect als het ging om de binnenste grens, die de werkelijke klinische doelvolumes markeert waar de ziekte bekend is om aanwezig te zijn. Voor dit binnenste gebied was de overlap ongeveer 72 procent. Dit verschil is significant omdat de binnenste grens veel moeilijker te definiëren is op een standaardscan, aangezien de tumor in het omliggende gezonde weefsel overgaat.

Om te begrijpen of deze door de computer gegenereerde kaarten daadwerkelijk nuttig waren in een echte kliniek, hebben drie ervaren radiotherapeuten de resultaten onafhankelijk beoordeeld. Zij beoordeelden de kwaliteit van het werk van de computer op een eenvoudige schaal. Voor de buitenste veiligheidsmarge vonden de artsen het werk van de computer in meer dan 91 procent van de gevallen klinisch acceptabel, wat betekent dat het klaar was voor gebruik met slechts kleine aanpassingen. Voor de binnenste tumor grens lag het acceptatiepercentage lager, op ongeveer 75 procent, waarbij de resterende gevallen meer substantiële wijzigingen vereisten. De artsen merkten op dat de computer soms moeite had bij de boven- en onderkant van het doelgebied of waar de baarmoeder de endeldarm ontmoet, gebieden waar het contrast van het weefsel van nature slecht is. Ondanks deze imperfecties produceerde het systeem geen kaarten die volledig onbruikbaar waren. De belangrijkste les was dat de computer een solide startpunt kon bieden, maar dat een menselijke arts nog steeds de binnenste grenzen zorgvuldig moest beoordelen en verfijnen.

De meest dramatische impact van deze technologie werd gezien in de tijd die nodig was om het werk te voltooien. In een aparte test met 20 patiënten vergeleek een enkele arts hoe lang het duurde om de kaarten met de hand te tekenen versus het gebruiken van de conceptversie van de computer. Bij het tekenen vanaf nul duurde het proces gemiddeld 65 minuten per patiënt. Wanneer de computer werd gebruikt om de initiële omtrek te genereren, die de arts vervolgens bewerkte, daalde de tijd naar slechts 14 minuten. Dit vertegenwoordigde een vermindering van bijna 80 procent in de tijd die nodig is voor deze cruciale stap. De auteurs van de studie merkten er zorgvuldig bij op dat dit een test in één centrum was en dat het systeem nog niet bewezen is perfect te werken voor elk type patiënt of in elk ziekenhuis. Ze benadrukten dat, hoewel de computer een enorme hoeveelheid tijd bespaarde, het geen vervanging was voor de expertise van de arts. Het systeem is het beste te zien als een krachtige assistent die het zware werk van het tekenen op zich neemt, waardoor het medische team de energie kan richten op de uiteindelijke, cruciale beslissingen die ervoor zorgen dat de behandeling zowel veilig als effectief is.