Algoritme (kunstmatige intelligentie) verslaat arts in zoektocht naar vroege slokdarmkanker

Het systeem is toegesneden op mensen met een zogeheten Barrett-slokdarm. Zij hebben vaak last van reflux, waardoor maagzuur terugstroomt naar de slokdarm. Hierdoor ontstaat irritatie en in sommige gevallen afwijkend weefsel in de slokdarm.

Risicofactor

Een Barrett-slokdarm is één van de belangrijkste risicofactoren voor slokdarmkanker. Patiënten krijgen regelmatig een endoscopische controle in het ziekenhuis. De vroegste vormen van slokdarmkanker zijn alleen lastig te zien op de beelden van een endoscopie.

Vroeg stadium

“Daarom missen artsen soms beginnende kanker, die nog gemakkelijk te behandelen is. Bij kanker in een gevorderd stadium is de vijfjaarsoverlevingskans minder dan vijftig procent”, legt professor dr. Jacques Bergman van het Amsterdam UMC uit in een persbericht. “Het is dus zaak om de beginnende kanker direct op te sporen.”

90 procent

Om daarbij te helpen ontwikkelden Joost van der Putten en Fons van der Sommen van de Technische Universiteit Eindhoven (TU/e) een algoritme. Dat voedden ze met honderdduizenden endoscopiebeelden. De nieuwe software is getest bij patiënten in het Amsterdam UMC en het Catharina-ziekenhuis in Eindhoven. “Het systeem haalt een score van 90 procent,” zegt van der Sommen. Dat is aanmerkelijk meer dan de 53 internationale endoscopisten, die de beelden op het oog beoordelen.

Ondersteuning

Dat wil niet zeggen dat het algoritme artsen overbodig maakt. Het kan juist de maag-lever-darm-arts ondersteunen. “Ons systeem ‘kijkt’ live mee tijdens een endoscopie in de slokdarm. Het algoritme geeft op een beeldscherm een rode markering bij een verdachte plek. De arts kan dan handelen door het verdachte gebied nader te inspecteren en bijvoorbeeld een biopt te nemen”, aldus Van der Sommen.

De software wordt nu verder getest. De verwachting is dat het programma over twee jaar beschikbaar komt voor alle MDL-artsen in Nederland.


Het herkennen van slokdarmkanker in een vroeg stadium is ontzettend lastig. Onderzoekers van onder meer de Technische Universiteit Eindhoven hebben een algoritme ontwikkeld dat artsen erbij kan helpen.

De slimme software kijkt mee bij een endoscopie van patiënten met een zogenoemde Barrett-slokdarm. Die aandoening kan ontstaan bij mensen die vaak last hebben van terugstromend maagzuur in de slokdarm en leidt tot afwijkend weefsel. Omdat een dergelijke slokdarm de voornaamste risicofactor is voor slokdarmkanker, ondergaan patiënten regelmatig controles in het ziekenhuis. Met een kleine camera in een dunne buis kijken artsen dan in de slokdarm.

De vroegste tekenen van daadwerkelijke kanker zijn echter nauwelijks te zien voor een specialist, die vaak maar weinig van dergelijke patiënten onderzoeken in een jaar. Daarom missen artsen soms beginnende kanker, die nog gemakkelijk te behandelen is. ‘Bij kanker in een gevorderd stadium is de vijfjaarsoverlevingskans minder dan vijftig procent’, zegt hoogleraar Jacques Bergman van het Amsterdam UMC in een persbericht. ‘Het is dus zaak om de beginnende kanker direct op te sporen.’

Honderdduizenden beelden

De onderzoekers hebben nu een computeralgoritme getraind met honderdduizenden endoscopiebeelden, waaronder beelden van Barrett-slokdarmen. Het systeem slaagt er inmiddels in om een score van 90 procent te halen bij het herkennen van beginnende kanker, zegt TU/e-onderzoeker Fons van der Sommen, die het algoritme mede heeft ontwikkeld. Dat is aanmerkelijk beter dan 53 internationale endoscopisten die de beelden op het oog beoordeelden.

Het systeem wordt al getest bij patiënten in het Amsterdam UMC en het Catharina Ziekenhuis in Eindhoven. Daar kijkt het algoritme ‘live’; mee tijdens een endoscopie in de slokdarm. ‘Het algoritme geeft op een beeldscherm een rode markering bij een verdachte plek’, zegt Van der Sommen. ‘De arts kan dan handelen door het verdachte gebied nader te inspecteren en bijvoorbeeld een biopt te nemen.’Binnen twee jaar beschikbaar

De onderzoekers publiceerden hun resultaten onlangs in de wetenschappelijke tijdschriften Gastroenterology en Gastrointestinal Endoscopy.

De tests worden voorlopig voortgezet. De verwachting is dat het algoritme binnen twee jaar beschikbaar komt voor alle maag-, darm- en leverartsen in Nederland.
————-

Background & Aims

We aimed to develop and validate a deep-learning computer-aided detection (CAD) system, suitable for use in real time in clinical practice, to improve endoscopic detection of early neoplasia in patients with Barrett’s esophagus (BE).

Methods

We developed a hybrid ResNet-UNet model CAD system using 5 independent endoscopy data sets. We performed pretraining using 494,364 labeled endoscopic images collected from all intestinal segments. Then, we used 1704 unique esophageal high-resolution images of rigorously confirmed early-stage neoplasia in BE and nondysplastic BE, derived from 669 patients. System performance was assessed by using data sets 4 and 5. Data set 5 was also scored by 53 general endoscopists with a wide range of experience from 4 countries to benchmark CAD system performance. Coupled with histopathology findings, scoring of images that contained early-stage neoplasia in data sets 2–5 were delineated in detail for neoplasm position and extent by multiple experts whose evaluations served as the ground truth for segmentation.

Results

The CAD system classified images as containing neoplasms or nondysplastic BE with 89% accuracy, 90% sensitivity, and 88% specificity (data set 4, 80 patients and images). In data set 5 (80 patients and images) values for the CAD system vs those of the general endoscopists were 88% vs 73% accuracy, 93% vs 72% sensitivity, and 83% vs 74% specificity. The CAD system achieved higher accuracy than any of the individual 53 nonexpert endoscopists, with comparable delineation performance. CAD delineations of the area of neoplasm overlapped with those from the BE experts in all detected neoplasia in data sets 4 and 5. The CAD system identified the optimal site for biopsy of detected neoplasia in 97% and 92% of cases (data sets 4 and 5, respectively).

Conclusions

We developed, validated, and benchmarked a deep-learning computer-aided system for primary detection of neoplasia in patients with BE. The system detected neoplasia with high accuracy and near-perfect delineation performance. The Netherlands National Trials Registry, Number: NTR7072