Een supercomputer in de VS kan met speciale software hersentumoren herkennen op MRI-beelden. Bij een wedstrijd voor pathologen eindigde de software bij de beste deelnemers. De software kan zelfs verschillende weefsels binnen de tumor afbakenen. Deze technologie gaat artsen helpen bij het sneller stellen van een diagnose.

Een hersentumor is een heftige diagnose die zo vroeg mogelijk moet worden gesteld om een optimale overlevingskans te hebben. Bij zo'n diagnose komt een hoop kijken: waar zit de tumor, hoe groot is hij, in welke fase zit hij, wat is de aard van de tumor en welke genetische oorsprong heeft het weefsel? Hoe sneller de arts dit allemaal weet, hoe eerder en gerichter hij of zij een behandelplan kan opstellen.

Het verzamelen van deze informatie is nu nog een taak van de radioloog, die de MRI-plaatjes beoordeelt en analyseert. De verwachting is dat binnen een paar jaar deze arts hulp krijgt van de computer.
 

Trainen met breinen

Onderzoekers van de University of Texas in Austin laten zien dat het onderzoek naar zo'n computerdiagnose goed vordert. Zij richten zich op glioom, een agressieve soort hersentumor. Ze namen de MRI-beelden van de breinen van driehonderd patiënten en gebruikte deze om een kunstmatig intelligent algoritme te trainen.

Vervolgens voerden ze aan hun software nieuwe MRI-beelden van 140 patiënten, met de opdracht om helemaal automatisch de tumor te lokaliseren en te karakteriseren. Dit maakte onderdeel uit van een wedstrijd tussen radiologen, de Multimodal Brain Tumor Segmentation Challenge 2017. De computer ging dus de strijd aan met radiologen van vlees en bloed.
 

Een van de besten

Wat bleek? De software eindigde in het hoogste kwart van de deelnemers, met een betrouwbaarheid van 90 %. De software kan zelfs verschillende weefsels binnen de tumor afbakenen (zie beelden hieronder). Bij de deelopdracht ‘hele tumor afbakenen’ (het oranje gebied in de beelden hieronder) was de computer zelfs een van de besten.

MRI-beelden met daarop weergegeven de verschillende onderdelen van de tumor. In oranje de gehele tumor; in rood de tumorkern; in groen dood tumorweefsel. Bron: Multimodal Brain Tumor Segmentation Challenge 2017


Supercomputer

Met zulke successen lijkt het logisch om deze techniek meteen in ziekenhuizen te gaan gebruiken. Dat zouden artsen misschien wel willen, maar om de software te gebruiken heb je nu nog een zware supercomputer nodig. Tijdens het analyseren van de nieuwe MRI-beelden in dit experiment maakten ruim vierduizend processoren overuren. Dat komt doordat de software elke beeldpunt (voxel) van een nieuw MRI-beeld vergelijkt met alle beeldpunten uit de ‘leerplaatjes’, om te bepalen of de beeldpunt gezond of ziek weefsel laat zien.

Dit proces kan vast slimmer en efficiënter. ‘We hebben nu al het gereedschap en de basisideeën en nu gaan we kijken hoe we dit kunnen polijsten en verbeteren’, aldus onderzoeksleider George Biros van de University of Texas in Austin.
 

Nederland

Ook in Nederland doen we trouwens onderzoek naar het gebruik van beeldherkenning voor tumoren. Onderzoekers van de TU Eindhoven werken samen met het Catharinaziekenhuis aan machine learning-algoritmes die al bijna even goed zijn in het herkennen van slokdarmkanker als gespecialiseerde artsen (lees: ‘Computer vindt kanker op videobeelden’). Ook bij huidkanker bewijzen lerende algoritmes hun nut, lees: ‘Kunstmatige intelligentie herkent huidkanker’.


Openingsbeeld University of Texas in Austin