Het Catharina Ziekenhuis Eindhoven, Amsterdam UMC en de Technische Universiteit Eindhoven hebben een computerondersteund systeem ontwikkeld dat weefsel kan analyseren bij patiënten met barrettslokdarm. Het systeem presteerde tijdens de ontwikkeling beter dan een internationale groep van algemeen endoscopisten. De resultaten van een eerste toepassing tijdens live endoscopieën zijn veelbelovend. MDL-arts dr. Wouter Curvers (Catharina Ziekenhuis, Eindhoven) denkt dat het systeem geschikt is voor real-time gebruik in de klinische praktijk.
Al decennialang wordt gesproken en gefilosofeerd over kunstmatige intelligentie. Maar de toepassing daarvan, ook in de zorg, was lange tijd niet haalbaar vanwege te weinig rekenkracht van computers. Dat veranderde door de game-industrie, waarvoor snelle processoren zijn ontwikkeld met veel rekenkracht. Het principe van kunstmatige intelligentie is dat de computer gaandeweg steeds meer kennis vergaart waarmee beslissingen kunnen worden genomen. “Dit zogeheten ‘deep learning’ kan bijvoorbeeld door de computer heel veel foto’s aan te bieden, waarbij de computer leert om deze te classificeren”, legt Curvers uit. “In de zorg is deze toepassing begonnen bij de radiologie. Sinds ongeveer drie jaar zien we kunstmatige intelligentie opkomen in de gastro-enterologie.”
Ook medische foto’s?
Barrettslokdarm is een geschikt onderwerp voor toepassing van een ‘computer aided’ detectie (CAD)-systeem, legt Curvers uit. “Omdat deze afwijking niet vaak voorkomt, hebben veel MDL-artsen er weinig ervaring mee waardoor vroege stadia vaak worden gemist. Het Catharina Ziekenhuis is een van de acht expertcentra voor barrettslokdarm en veel patiënten worden naar ons doorverwezen. Het idee is om het systeem met name te laten meekijken met MDL-artsen met weinig ervaring.”
Kan een computer afwijkend weefsel in de slokdarm herkennen? Dat is onderzocht en verder uitgewerkt met een student (inmiddels docent en postdoc) van de Technische Universiteit Eindhoven. Er kwamen publicaties en er kwam een samenwerkingsverband met het AMC in Amsterdam. “Daar is ons systeem uit voortgekomen. Bijzonder is dat wij een database hebben gebruikt met ongeveer een half miljoen foto’s van endoscopieën om de computer te trainen. In eerste instantie gebeurde dat met foto’s van alle intestinale segmenten, daarna met unieke hogeresolutiefoto’s van de slokdarm. Dat betrof zowel vroegstadium neoplasie in barrettslokdarm als non-dysplastische Barrett. Daarna gebruikten we 2 datasets, beide van 80 patiënten, om de prestatie van het systeem te testen. Een van die sets werd ook beoordeeld door 53 algemeen endoscopisten uit 4 landen met brede ervaring.”
Gevalideerd systeem
De publicatie over dit CAD-systeem verscheen eerder dit jaar in Gastroenterology.1 Het CAD-systeem classificeerde beelden met neoplasieën of non-dysplastische Barrett met 89% nauwkeurigheid, 90% gevoeligheid en 88% specificiteit. Met de set die ook werd beoordeeld door endoscopisten deed het CAD-systeem het beter: 88% vs. 73% nauwkeurigheid, 93% vs. 72% gevoeligheid en 83% vs. 74% specificiteit. Het CAD-systeem behaalde hogere nauwkeurigheid dan ieder van de algemeen endoscopisten, met vergelijkbare delineatie nauwkeurigheid. Bovendien identificeerde het systeem in circa 95% van de gevallen de optimale plaats voor biopsie van gedetecteerde neoplasieën. De onderzoekers concluderen dat zij een gevalideerd en gebenchmarked deep learning CAD-systeem hebben ontwikkeld voor de primaire detectie van neoplasieën bij patiënten met barrettslokdarm. Zij schreven ook te verwachten dat de prestaties van het systeem verder zullen verbeteren als het meer beelden en ook video-opnamen ziet.
Test in de praktijk
Vervolgens is het systeem in de praktijk getest tijdens endoscopische procedures bij 10 patiënten met non-dysplastische Barrett en 10 patiënten met bevestigde barrettneoplasieën.2 Het systeem analyseerde endoscopische beelden en gaf meteen terugkoppeling aan de endoscopist. De nauwkeurigheid, gevoeligheid en specificiteit van het CAD-systeem waren respectievelijk 90, 91 en 89%. 9 van de 10 neoplastische patiënten werden correct gediagnosticeerd. Slechts 1 non-dysplastische patiënt werd vals-positief beoordeeld. De conclusie in de publicatie is dat het systeem klaar is voor grotere, multicenter trials.
Curvers vindt de eerste resultaten veelbelovend. “Er zal zeker een vervolg komen op onze studie. We willen het systeem tijdens endoscopie ook gaan testen met videobeelden. Dat is technisch nog niet eenvoudig, omdat de slokdarm continu beweegt. Een alternatief is dat de arts meerdere goede foto’s maakt, bijvoorbeeld van iedere centimeter.”
Er zijn al wel CAD-systemen voor gebruik in de darmen, weet Curvers. Maar dit is het eerste systeem voor de slokdarm. Deze ontwikkeling zal doorzetten en hij verwacht dat artsen ermee zullen leren werken. “Aanvankelijk waren sommigen er huiverig voor en werden dit soort systemen als een bedreiging gezien. Maar dat hoeft niet. Computers zullen geen beslissingen voor de arts gaan nemen, ze geven alleen kansen aan dat een stukje weefsel wel of niet verdacht is. Daarmee is een CAD-systeem een handig extra gereedschap om nog betere afwegingen te kunnen maken.”
Bronnen:
- De Groof AJ, Struyvenberg MR, Van der Putten J, et al. Deep-Learning System Detects Neoplasia in Patients With Barrett’s Esophagus With Higher Accuracy Than Endoscopists in a Multistep Training and Validation Study With Benchmarking. Gastroenterology. 2020;158:915-29.
- De Groof AJ, Struyvenberg MR, Fockens KN, et al. Deep learning algorithm detection of Barrett’s neoplasia with high accuracy during live endoscopic procedures: a pilot study (with video). Gastrointestinal Endoscopy. 2020;91:1242-50.