AI detecteert vroegtijdig kanker via beelden

Wilt u weten hoe AI kanker vroegtijdig opspoort via beelden? Ontdek meer details met INVIAI in dit artikel!

Vroege opsporing van kanker verbetert de overlevingskansen aanzienlijk. Kunstmatige intelligentie (AI) helpt artsen nu tumoren op medische beelden sneller en nauwkeuriger te herkennen.

Door diepe leermodellen te trainen op duizenden geannoteerde scans en preparaten, kan AI patronen leren herkennen die zelfs ervaren clinici kunnen ontgaan.

In de praktijk analyseren AI-tools beelden zoals mammogrammen, CT-scans van de borstkas, röntgenfoto’s, MRI’s, echografieën en pathologiepreparaten, waarbij verdachte gebieden worden gemarkeerd en het risico wordt gekwantificeerd.

Zo hielp een AI-ondersteunde echografie een patiënt een onnodige schildklierbiopsie te vermijden door aan te tonen dat haar knobbel goedaardig was.

Experts noemen AI in de kankerzorg een “ongekende kans” om diagnose en behandeling te verbeteren.

Hoe AI medische beelden analyseert

AI-systemen voor beeldvorming maken doorgaans gebruik van deep learning (vooral convolutionele neurale netwerken) die getraind zijn op enorme datasets. Tijdens het trainen leert het algoritme kenmerken te herkennen (zoals vormen, texturen, kleuren) die kankercellen onderscheiden van gezond weefsel.

Eenmaal getraind scant het AI-model nieuwe beelden en markeert het patronen die overeenkomen met de geleerde kankereigenschappen.

In feite fungeert AI als een uiterst gevoelige “tweede lezer” die subtiele afwijkingen aanwijst die een mens mogelijk over het hoofd ziet. Zo kan AI bij het beoordelen van een mammogram of CT-slice kleine verkalkingen of knobbeltjes markeren met gekleurde kaders en waarschuwingen voor de radioloog.

AI-analyses kunnen ook het risico inschatten: sommige algoritmen voorspellen het toekomstige kankerrisico van een patiënt op basis van één afbeelding (met behulp van geleerde correlaties), waardoor artsen screeningsintervallen kunnen personaliseren.

In één geval identificeerde een AI-geanalyseerde schildklier-echografie van een patiënt overtuigend goedaardig weefsel, wat overeenkwam met de latere biopsieresultaten en haar extra zorgen bespaarde.

Borstkanker Screening

Mammografie is een uitstekend voorbeeld waar AI een verschil maakt. Studies tonen aan dat AI-ondersteuning de opsporing van borstkanker bij screening aanzienlijk kan verbeteren.

In een grote Duitse studie vonden radiologen met hulp van een AI-tool 17,6% meer kankergevallen dan zonder AI.

Specifiek detecteerde de AI-ondersteunde groep 6,7 kankergevallen per 1.000 vrouwen versus 5,7 per 1.000 in de standaardgroep, terwijl het aantal terugroepacties (valse alarmen) zelfs licht daalde.

In grote lijnen kan AI in mammografie:

• De sensitiviteit en specificiteit verbeteren. Onderzoek gefinancierd door het NCI meldt dat AI-algoritmen “de opsporing van borstkanker op mammografie verbeteren” en ook kunnen helpen voorspellen welke afwijkingen later invasief worden.
• Subtiele bevindingen identificeren. AI kan kleine clusters microverkalkingen of asymmetrieën signaleren die tijdens routineonderzoek gemakkelijk worden gemist, en fungeert zo als een extra deskundige lezer.
• De werkdruk en variabiliteit verminderen. Door beelden voor te screenen kan AI verdachte gevallen prioriteren voor radiologen, wat helpt bij het omgaan met toenemende mammogramvolumes.

Opvallend is dat de FDA verschillende AI-ondersteunde mammografietools (zoals iCAD, DeepHealth’s SmartMammo) heeft goedgekeurd voor klinisch gebruik, waarbij hun vermogen om kanker vroeg te detecteren in de praktijk wordt erkend.

Longkanker Screening

AI wordt ook toegepast bij de opsporing van longkanker op medische beelden. Low-dose CT (LDCT) scans worden gebruikt om rokers met een hoog risico te screenen; AI kan dit verbeteren door de beeldkwaliteit en laesiedetectie te optimaliseren.

Een voordeel is de stralingsdosisverlaging: AI-gebaseerde beeldreconstructie-algoritmen kunnen heldere CT-beelden produceren met nog minder straling dan de huidige LDCT-scans.

Daarnaast scannen AI-gebaseerde computerondersteunde detectie (CAD) systemen automatisch elke CT-slice op knobbeltjes. Wanneer een potentieel knobbeltje wordt gevonden, markeert AI dit op het beeld zodat de arts het kan beoordelen.

Kortom, AI kan fungeren als een gevoelige tweede lezer bij longbeelden.

Recente modellen tonen bijvoorbeeld een hoge sensitiviteit voor zowel goedaardige als kwaadaardige longknobbeltjes (onderzoekssystemen detecteren >90% van de knobbeltjes op testscans). De Amerikaanse FDA heeft AI-tools goedgekeurd ter ondersteuning van longkankerscreening, waarbij hun rol bij vroegere diagnose wordt erkend.

AI kan ook helpen bij het personaliseren van screening: door beeldvorming te combineren met patiëntgegevens kunnen algoritmen bepalen wie vaker gescreend moet worden.

(Echter tonen huidige CAD-studies aan dat hoewel AI meer knobbeltjes vindt, het merendeel daarvan kleine, laag-risico knobbeltjes betreft, en dat het detecteren van gevorderde laesies nog niet drastisch is verbeterd.)

Huidkanker (Melanoom)

Dermoscopische beeldvorming (vergroten van huidfoto’s) is een ander gebied waar AI uitblinkt. Geavanceerde deep learning-modellen getraind op tienduizenden afbeeldingen van huidlaesies kunnen moedervlekken met hoge nauwkeurigheid classificeren als goedaardig of kwaadaardig.

In een recente studie behaalde een verbeterd neuraal netwerk 95–96% nauwkeurigheid bij het identificeren van melanoom in een vroeg stadium op dermoscopische beelden.

Dit is belangrijk: melanoom in een vroeg stadium heeft een uitstekende prognose (ongeveer 98% 5-jaarsoverleving), terwijl de overleving bij een laat stadium veel lager is.

Door verdachte moedervlekken voor biopsie te markeren, kan AI dermatologen helpen melanoom eerder te diagnosticeren.

AI-tools worden zelfs verwerkt in telefoonapps of apparaten die een gefotografeerde moedervlek beoordelen en het risico inschatten, wat vroege opsporing in de eerstelijnszorg kan uitbreiden.

Cervixkanker Screening

AI verbetert de screening op baarmoederhalskanker door digitale beelden van de cervix te analyseren. Zo gebruikt het CerviCARE  systeem deep learning op “cervicografie”-foto’s (vergelijkbaar met colposcopie) om voorstadia van kanker te onderscheiden.

In een multicenterstudie behaalde CerviCARE AI een 98% sensitiviteit voor hooggradige cervixlaesies (CIN2+), met 95,5% specificiteit.

In de praktijk kan zo’n AI helpen op plekken waar deskundige colposcopisten schaars zijn: het algoritme markeert automatisch verdachte gebieden, zodat geen voorstadium wordt gemist.

Deze AI werkt samen met traditionele uitstrijkjes en HPV-tests om ziekte vroegtijdig op te sporen.

Het NCI meldt ook onderzoek naar AI voor geautomatiseerde opsporing van voorstadia bij cervixscreening.

Darm- en Endeldarmkanker Screening

Tijdens een colonoscopie ondersteunt AI realtime. Moderne systemen analyseren continu de videobeelden van de colonoscoop. Wanneer de camera een poliep of verdachte plek in beeld brengt, markeert de AI deze op het scherm (vaak met een gekleurd kader en een hoorbare waarschuwing) om de aandacht van de arts te trekken.

AI-ondersteunde colonoscopie: het systeem heeft een “platte” poliep (blauw gemarkeerd) geïdentificeerd die de arts kan verwijderen.

Studies tonen aan dat het gebruik van AI bij colonoscopie het totaal aantal gedetecteerde poliepen verhoogt, vooral kleine adenomen. Dit betekent dat AI artsen kan helpen meer vroege afwijkingen te vinden die anders mogelijk over het hoofd worden gezien.

In een grote studie (de CADILLAC-studie) steeg de adenoomdetectie met AI-ondersteuning. Experts merken echter op dat het merendeel van de toename bestond uit kleine, laag-risico poliepen, en dat AI in die studie de detectie van grote, hoog-risico adenomen niet significant verhoogde.

Met andere woorden, AI is uitstekend in het aanwijzen van veel kleine afwijkingen, maar of het ook helpt de gevaarlijkste voorstadia beter te vinden, wordt nog onderzocht.

Toch kan een AI “tweede oog” vermoeidheidsgerelateerde missers verminderen en de variatie tussen artsen verkleinen. De FDA heeft AI-systemen (CADe) goedgekeurd voor klinische colonoscopie ter ondersteuning van endoscopisten bij poliependetectie.

AI in Pathologie en Andere Beeldvorming

De reikwijdte van AI gaat verder dan live beeldvorming naar pathologie en gespecialiseerde scans. Digitale pathologiepreparaten (hoge resolutie scans van weefselbiopten) worden door AI-algoritmen gelezen.

Zo is een nieuwe AI genaamd CHIEF getraind op meer dan 60.000 hele preparaatbeelden van 19 kankersoorten.

Deze detecteert automatisch kankercellen in het preparaat en voorspelt zelfs het moleculaire profiel van de tumor op basis van visuele kenmerken. In tests behaalde CHIEF ongeveer 94% nauwkeurigheid bij het detecteren van kanker op onbekende preparaten uit verschillende organen.

Eveneens heeft de FDA AI-software goedgekeurd die kankergebieden in prostaatbiopten markeert, waardoor pathologen zich op kritieke gebieden kunnen richten. AI-tools zijn ook goedgekeurd voor interpretatie van hersentumor-MRI’s en schildklierknobbels op echografie, onder andere.

Kortom, AI wordt een veelzijdige assistent: van MRI/CT-scans tot röntgenfoto’s en microscooppreparaten, het wijst afwijkingen aan die aandacht verdienen.

Voordelen van AI bij Vroege Opsporing

In diverse toepassingen biedt AI belangrijke voordelen voor het vroegtijdig opsporen van kanker:

• Hogere sensitiviteit: AI kan zeer subtiele signalen detecteren. Bij borstscreensing ontdekte AI ongeveer 20–40% van de intervalkankers (tumoren die bij de eerste beoordeling werden gemist) bij retrospectieve analyse van eerdere mammogrammen.
  Dit betekent dat AI kanker eerder kan aantonen dan menselijke lezers alleen.
• Nauwkeurigheid en efficiëntie: Studies tonen aan dat AI-ondersteunde beoordelingen leiden tot minder vals-negatieven en soms ook minder vals-positieven.
  Bijvoorbeeld, mammografie met AI-ondersteuning verhoogde in een Duitse studie de positieve voorspellende waarde van biopsieën (dus het aantal kankergevallen per biopsie).
• AI kan beelden sneller verwerken dan een mens, waardoor screeningsprogramma’s toenemende werkdruk aankunnen zonder kwaliteitsverlies.
• Consistente kwaliteit: In tegenstelling tot mensen wordt AI niet moe en mist het geen details door afleiding.
  Het levert een uniforme analysekwaliteit over alle gevallen, wat de variatie tussen radiologen kan verminderen.
• Voorkomen van onnodige procedures: Door goedaardige en kwaadaardige afwijkingen nauwkeuriger te onderscheiden, kan AI patiënten onnodige onderzoeken besparen.
  In het schildkliervoorbeeld sloot AI kanker met vertrouwen uit zonder biopsie.
• In de dermatologie kunnen AI-apps patiënten geruststellen over goedaardige moedervlekken.
  Het doel is precisiescreening: alleen vinden wat echt behandeling nodig heeft en overbehandeling vermijden.
• Wereldwijde toegankelijkheid: In regio’s met weinig specialisten kunnen AI-tools screening op specialistniveau naar afgelegen klinieken brengen.
  Bijvoorbeeld, een AI-colposcoop kan verpleegkundigen helpen baarmoederhalskanker te screenen in gebieden met beperkte middelen.

“AI-gedreven methoden kunnen de mogelijkheid van clinici verbeteren om kanker efficiënt en nauwkeurig te beoordelen”. In veel studies presteert de combinatie van AI en artsen beter dan elk van beide afzonderlijk, vergelijkbaar met het raadplegen van een deskundige collega.

Uitdagingen en Overwegingen

AI brengt ook uitdagingen met zich mee. Modellen die getraind zijn op beperkte of niet-diverse data werken mogelijk niet even goed voor alle patiënten. Zo moeten AI-systemen voor huidlaesiedetectie getraind zijn op diverse huidtinten om vooringenomenheid te voorkomen.

Dermoscopische AI-tools vertonen prestatieverschillen bij beelden met artefacten (zoals haren of slechte belichting) en bij ondervertegenwoordigde laesietypen.

Bij screening kan meer detectie ook meer valse alarmen betekenen: AI-colonoscopie markeerde veel kleine poliepen, waarvan sommige mogelijk nooit kanker worden.

Het verwijderen van elke kleine afwijking brengt eigen risico’s mee (zoals een kleine kans op bloeding of perforatie). Daarom moeten clinici de gevoeligheid van AI afwegen tegen de specificiteit om overdiagnose te voorkomen.

Integratie van AI in klinische workflows is complex. Ziekenhuizen hebben gevalideerde, door de FDA goedgekeurde software en training voor personeel nodig. Er zijn ook vragen over verantwoordelijkheid als AI een kanker mist.

Veel onderzoekers benadrukken dat AI een hulpmiddel is, geen vervanging; zoals een radioloog het verwoordde: AI gebruiken is als “advies vragen aan een briljante collega”. Lopende studies en post-market onderzoek zijn essentieel om te garanderen dat deze tools daadwerkelijk de uitkomsten verbeteren.

Toekomstige Richtingen

De toekomst van AI in kankerdiagnostiek is veelbelovend. Onderzoekers ontwikkelen “foundation models” (grote AI’s getraind op enorme datasets) die meerdere taken tegelijk aankunnen. Harvard’s CHIEF is een voorbeeld: het is getraind als een “ChatGPT voor pathologie” op miljoenen beeldfragmenten en werkt voor diverse kankersoorten.

Vergelijkbare benaderingen zullen binnenkort beeldvorming combineren met genetische en klinische data voor ultra-gepersonaliseerde screening. Multimodale AI kan niet alleen voorspellen of kanker aanwezig is, maar ook hoe agressief deze is, wat de intensiteit van vervolgonderzoek kan sturen.

De prestaties van AI verbeteren snel met nieuwe technieken. Next-generation CAD-systemen gebruiken geavanceerde neurale netwerkarchitecturen en grote taalmodellen om beelden te interpreteren. Voor longkanker merken experts op dat oudere AI-systemen “primitief” waren vergeleken met de huidige modellen, en ze verwachten dat nieuwe versies veel beter zullen zijn.

Internationale studies (zoals multicenterproeven in Europa en de VS) zijn gaande om AI-tools op grote schaal te valideren. Naarmate data groeit, leert AI van resultaten uit de praktijk en verfijnt het continu zijn nauwkeurigheid.

Samenvattend helpt AI artsen nu al om kanker eerder te detecteren via medische beelden – van mammogrammen en CT-scans tot huidfoto’s en biopsiepreparaten. Hoewel uitdagingen blijven, wijzen baanbrekend onderzoek en goedkeuringen op een toekomst waarin AI een standaardpartner is in kankerscreening.

Door tumoren in de vroegste stadia te vinden, wanneer behandeling het meest effectief is, kunnen deze technologieën de uitkomsten voor veel patiënten wereldwijd verbeteren.