Bij de diagnostiek van melanoom is er ruimte voor verbetering, en er zijn sterke aanwijzingen dat zogenoemde zelflerende algoritmen hierbij een rol kunnen spelen. Onderzoekers van de afdeling Dermatologie van het Erasmus MC onderzoeken momenteel de waarde van deze technologie in verschillende settingen. “We denken dat AI binnen dermatologie voor zowel dermatologen, huisartsen als leken bruikbaar kan zijn”, vertelt arts-onderzoeker Tobias Sangers.
Met de inzet van kunstmatige intelligentie voor medische toepassingen worden bijzondere resultaten behaald. Met name op het gebied van het beoordelen van beelden, bijvoorbeeld van radiologische beeldvorming, zijn er goede resultaten en hoge verwachtingen. Ook wat betreft het beoordelen van huidafwijkingen zijn er veelbelovende bevindingen. Zo meldden onderzoekers in 2017 in een Nature-artikel dat de technologie even goed als ervaren dermatologen presteerde bij het diagnosticeren van melanoom.1
Maar het blijft belangrijk om de resultaten kritisch te blijven beoordelen, weet Tobias Sangers, die als promovendus werkt aan het onderzoek naar het gebruik van zelflerende algoritmen binnen de dermatologie. Eén van de onderzochte algoritmen had bijvoorbeeld last van een opmerkelijke bias. “Het bleek dat een algoritme dat getraind was om melanomen te herkennen, ook het liniaaltje herkende dat vaak op een foto wordt gezet om de grootte van een melanoom te kunnen bepalen”, vertelt Sangers. “Wanneer je dit algoritme een foto van een liniaaltje aanbood, herkende het dit als een melanoom. Bij het trainen en gebruik van deze algoritmen moet je je realiseren dat dergelijke biases kunnen optreden.”
Validatiestudies
Eén poot van het onderzoek in het Erasmus MC richt zich dan ook op het valideren van de gebruikte algoritmen. Sangers: “We zien in de onderzoekssetting dat er heel goede resultaten worden behaald met deep learning algoritmen. Nu komen we in de fase waarin we de brug moeten gaan slaan naar de klinische praktijk. Tot nog toe zijn er nog heel weinig prospectieve validatiestudies van zelflerende algoritmes uitgevoerd maar ik verwacht dat we deze de komende jaren veel meer gaan zien.”
De Rotterdamse validatiestudie kijkt naar een algoritme dat is verwerkt in een smartphone-app. Voor de studie maken de onderzoekers foto’s van huidafwijkingen van patiënten die door de huisarts zijn doorverwezen vanwege een verdachte plek. Het oordeel van het algoritme wordt vervolgens vergeleken met de beoordeling van de dermatoloog en eventueel met de bevindingen van de patholoog.
Een tweede onderzoekslijn betreft onderzoek naar een smartphone-app op basis van een algoritme, die wordt aangeboden aan klanten van diverse Nederlandse ziektekostenverzekeraars. Sangers: “Er zijn een aantal Nederlandse verzekeraars die het gebruik van deze app vergoeden. In ons onderzoek kijken we op populatieniveau hoe deze app wordt gebruikt. Daarnaast proberen we een uitspraak te doen over of dit ook daadwerkelijk de zorg stroomlijnt. Daarvoor kijken we onder meer naar geanonimiseerde declaratiegegevens van mensen die de app gebruiken en vergelijken we deze met een vergelijkbare groep die de app niet gebruikt.”
Een derde onderzoekslijn richt zich op de voorwaarden voor succesvolle implementatie van de technologie. “We denken dat AI binnen dermatologie op meerdere vlakken gebruikt kan worden, dus zowel door de dermatoloog als door de huisarts en ook door leken. Met behulp van kwalitatief onderzoek proberen we er achter te komen hoe we een succesvolle integratie vorm kunnen geven.”
Huisartsen en dermatologen
Met betrekking tot de diagnostiek van huidafwijkingen is de meeste (gezondheids)winst waarschijnlijk te behalen door voor huisartsen hulpmiddelen te ontwikkelen, denkt Sangers. “In Nederland worden de meeste patiënten met een verdachte huidafwijking in eerste instantie gezien door de huisarts. Maar juist bij de diagnostiek van melanomen is ervaring belangrijk, en het is logisch dat huisartsen veel minder vaak huidkanker zien dan dermatologen. En zelfs experts als dermatologen moeten gemiddeld zeven verdachte moedervlekken verwijderen om één melanoom te vangen. In de eerste lijn zie je dat dit aantal ongeveer verdubbelt, met ongeveer veertien verwijderde moedervlekken per melanoom. Als je de diagnostische accuratesse met behulp van deze technologie kan verbeteren, is daar veel gezondheidswinst mee te behalen.”
“Het is ook niet zo gek dat huisartsen op dit gebied minder presteren”, vervolgt Sangers, “want een huisarts heeft natuurlijk veel meer te doen dan alleen verdachte huidafwijkingen beoordelen. Maar als je kijkt naar waar het effect het grootst kan zijn, dan denk ik dit in de eerste lijn is, omdat daar de diagnostische accuratesse een stuk lager is dan in de tweede lijn.”
Maar ook dermatologen kunnen waarschijnlijk baat hebben bij hulpmiddelen op basis van zelflerende algoritmen. “Dermatologen zijn experts op het gebied van de herkenning van melanomen, maar het interessante is dat we nu weten dat deep learning algoritmes net zo goed, en soms zelfs beter dan een dermatoloog, huidkanker kunnen herkennen”, aldus Sangers. “Studies die de afgelopen maanden zijn gepubliceerd laten verder zien dat als je een algoritme laat assisteren in de besluitvorming van een dermatoloog, bijvoorbeeld om wel of niet een excisie uit te voeren van een verdachte moedervlek, de besluitvorming beter wordt. Het is wel zo dat jonge dermatologen en arts-assistenten hier waarschijnlijk het meest van profiteren.”
Overdiagnostiek voorkómen
Aan de andere kant zitten er ook potentiële risico’s aan het gebruik van medische apps, waaronder het risico op overdiagnostiek. Een recent artikel in NEJM suggereerde bovendien dat een aanzienlijk deel van de stijgende melanoomincidentie mogelijk voortkomt uit overdiagnostiek.3 Sangers: “We weten dat in de algemene bevolking de drempel tot het zoeken van zorg lager wordt door gebruik van een app. Mensen geven aan dat ze het makkelijker vinden om even een app te downloaden dan om een afspraak maken bij de dokter en vinden het fijn als zij op zondagavond alvast een advies kunnen krijgen of ze met een verdacht plekje naar de dokter moeten of niet. Dat maakt dat als we dergelijke toepassingen aan de algemene bevolking gaan aanbieden, we er wel voor moeten zorgen dat we geen mensen gaan behandelen waarbij dat helemaal niet nodig is. Een uitdaging is dat we een hulpmiddel willen aanbieden en tegelijkertijd overdiagnostiek willen voorkomen. Dat is een balans waar we goed oog voor moeten hebben.”
Bronnen:
- Esteva A, et al. Nature 2017;542:115–118. 2
- Tschandl P, et al. Nature Medicine 2020;26:1229–1234
- Welch HG, et al. N Engl J Med 2021; 384:72-79