Kunnen we AI al vertrouwen om kanker te diagnosticeren?

Wat is de plaats van morgen voor kunstmatige intelligentie (AI) in de geneeskunde? Zouden de diagnostische problemen niet meer opgelost kunnen worden door een Dr. House maar door zijn digitale alter ego? In feite overtreft AI het oog nu al bij het detecteren van bepaalde tumoren op basis van radiologische beelden (mammogrammen, MRI's)... Wat sommigen ertoe heeft gebracht te zeggen dat computers binnenkort menselijke experts zullen vervangen.

Maar in tegenstelling tot deze voorspellingen, de radioloog is niet verdwenen : integendeel, er vond een onverwachte "samenwerking" plaats tussen hem en de machine die zijn plaats zou innemen. De eerste werkt om de capaciteiten en sterke punten van de tweede te kanaliseren om de interpretatie en diagnose te verbeteren ten voordele van patiënten.

Deze vraag naar hulp bij het stellen van de juiste diagnose staat centraal en is beide waard psychiatrie waar ook AI zijn eerste stappen zet dan in de oncologie... In de pathologische anatomie ook niet "het onderzoek van organen, weefsels of cellen om afwijkingen die verband houden met een ziekte (kanker, enz.) te identificeren en te analyseren", de vooruitzichten en beloften zijn enorm.

Is AI al in staat tot dergelijke analyses? Zou het efficiënter kunnen blijken te zijn dan de menselijke expert?

Misverstanden en verwarring zijn er in overvloed, en het is belangrijk om te begrijpen waarom. Het is dit punt dat we u hier voorstellen.

Wat maakte de eerste stappen van "digitale pathologie" mogelijk

Voor de AI, zoals voor elke menselijke specialist, is de diagnose onder andere gebaseerd op een even eenvoudig als essentieel object: de glasplaatjes waarop de patholoog een heel dun "plakje" van het te analyseren weefsel plaatst ( long, lever, enz.), om het onder de microscoop te observeren.

Door deze microscopische analyse kan de patholoog verschillende soorten cellen identificeren, hun vormen of zelfs hun ruimtelijke organisatie (architectuur) vergelijken om abnormale clusters te identificeren, bijvoorbeeld tumoren.

De massale digitalisering van deze dia's maakte de weg vrij voor het gebruik van AI in pathologische anatomie. De komst van aangepaste scanners maakt het in een groeiend aantal ziekenhuizen mogelijk microscopieglaasjes in digitale vorm te verkrijgen en op te slaan. De originele dia's worden echter bewaard... wat niet noodzakelijkerwijs mogelijk zal zijn voor al hun gedigitaliseerde versies, vanwege de opslagkosten.

Deze procedure, die de weg vrijmaakt voor "digitale pathologie", heeft het mogelijk gemaakt om te werken aan algoritmen die bedoeld zijn om hun analyse op een geautomatiseerde manier uit te voeren. Met als doel dat AI de patholoog kan helpen bij zijn diagnose. Het is ook handig om ergonomische redenen en om tijd te besparen.

Glasplaatjes worden traditioneel onder een microscoop bekeken. Ze kunnen nu worden gedigitaliseerd voor studie op een computerscherm. Hierdoor kunnen ze ook worden verzonden naar kunstmatige neurale netwerken.
DR, Geleverd door de auteur

Maar net als de mens moet de machine (meestal kunstmatige neurale netwerken) worden getraind. Ten eerste moet ze naar de messen kunnen "kijken" en begrijpen waar het over gaat. Deze analyse gebruikt patroonherkenningstechnologie als basistechniek.

Ten tweede moet het kunnen interpreteren wat het "ziet". AI is gebaseerd op het idee van leren en het vermogen om conclusies te trekken, d.w.z. om de kennis die is opgedaan tijdens de vorming en training over te dragen naar andere situaties, vergelijkbaar maar niet vergelijkbaar: bijvoorbeeld een micrometastase van een lymfeklier van borstkanker herkennen (cluster van een paar tumoren). cellen die mogelijk onopgemerkt blijven) door eerder andere beelden van metastasen te hebben gezien.

Opgemerkt moet worden dat gedigitaliseerde dia's veel meer pixels bevatten dan radiologische afbeeldingen en duizenden cellen bevatten - ze zijn daarom bijzonder rijk aan informatie die algoritmen zouden kunnen benutten.

[Bijna 80 lezers vertrouwen op de nieuwsbrief van The Conversation om de belangrijkste problemen van de wereld beter te begrijpen. Schrijf je vandaag nog in]

Een snelle en betrouwbare digitale assistent…

Huidig ​​​​onderzoek en proeven tonen aan dat AI uiteindelijk op verschillende gebieden relevant kan zijn:

• automatisering van de meest repetitieve en subjectieve activiteiten,
• helpt bij tumordetectie, beoordeling van agressiviteit en subtypering,
• tellen van tumorcellen, vooral die in deling (mitoses),
• evaluatie van de intensiteit van de immuunrespons (aantal lymfocyten dat de tumor aanvalt).

De belangen zijn meervoudig: tijd teruggeven aan de patholoog-anatoom zodat hij zich kan wijden aan de meest complexe taken waar de menselijke meerwaarde reëel is, om de uiteindelijke diagnose sneller en betrouwbaarder te stellen. En, belangrijk in de wetenschap, de resultaten van AI-analyses zijn over het algemeen reproduceerbaar.

We kunnen nu al concrete gevallen aanwijzen waar de bijdrage van AI relevant is:

• Detectie van borstkanker: algoritmen zijn efficiënter dan de patholoog bij het detecteren detectie van micrometastasen in de lymfeklieren van de okselholte.
• Borstkankerprognosebeoordeling: kunstmatige neurale netwerken identificeren effectief celmarkeringen die zijn gemaakt met behulp van specifieke antilichamen (immunohistochemietechniek). Bij borstkanker maakt het kwantificeren van de expressie van het HER2-eiwit in tumorcellen het mogelijk om de prognose van de ziekte en de respons op bepaalde medicijnen te beoordelen - dit eiwit stimuleert de progressie van kanker. Computerondersteunde diagnose zou daarom volledig relevant zijn.
• Agressiviteit van prostaatkanker: dit wordt beoordeeld door de Gleason-score, die wordt bepaald door microscopische analyse van prostaatbiopten. Het vaststellen van een Gleason-score vereist het analyseren van veel dia's en kost opnieuw tijd. Studies hebben aangetoond dat een goede overeenkomst tussen de evaluatie door een patholoog en die van een kunstmatig neuraal netwerk.

…zelfs een echte collega

Naast de hulp bij repeterende taken waarbij menselijke expertise weinig bijdraagt, heeft AI specifieke voordelen wat betreft de hoeveelheid informatie die het kan verwerken. Het is dus in staat om aanvullende gegevens te extraheren die relevant zijn voor de patiëntenzorg, die zeker routinematig beschikbaar zijn, maar vaak "verborgen" zijn omdat ze niet waarneembaar zijn voor het menselijk oog.

AI is effectief in het tellen van tumorcellen, vooral in deling (zoals hier). Het zou ook microscopische aspecten en specifieke genetische mutaties van kanker kunnen associëren.
Al-Janabi S et al., CC BY

De bekendste voorbeelden zijn de identificatie van genetische of genomische afwijkingen bij kankers en de verdere evaluatie van prognose en respons op behandelingen.

Een diagnose van kanker wordt meestal gesteld op basis van de analyse van een tumor (na zijn biopsie of excisie), die op glasplaatjes is geplaatst voor onderzoek onder de microscoop, zoals we hierboven hebben opgemerkt. Deze eerste onderzoeken zijn al rijk aan informatie en kunnen worden aangevuld met genetische analyses: door specifieke mutaties van de tumor te identificeren, kunnen ze beter worden gekarakteriseerd. Specialisten zijn zo beter in staat om een ​​adequate behandeling op te zetten. Maar deze aanvullende analyses "consumeren" tumorweefsel en kosten tijd.

Alleen al door de gedigitaliseerde dia's te observeren, kunnen algoritmen de relevante mutaties detecteren, zonder toevlucht te nemen tot genetische analyse. Dit bespaart tijd, geld en tumormateriaal (“weefselbesparing”) – dit laatste kan worden bewaard voor andere analyses.

De detectie van mutaties is mogelijk door een tumorvorm of architectuur (gezien onder een microscoop) te correleren met de aanwezigheid van mutaties die eerder zijn geïdentificeerd door DNA-sequencing (lezen). Het algoritme moet microscopische aspecten en mutaties leren associëren.

Hetzelfde leren zou kunnen worden geïmplementeerd om te koppelen microscopische aspecten en geneesmiddelrespons of prognose.

Grenzen nog steeds sterk

Ook al zal AI op middellange termijn zeker de diagnose van kanker en de zorg voor patiënten verbeteren, de ontwikkeling van adequate algoritmen is lang en kostbaar.

Veel voorbeelden van afbeeldingen (idealiter enkele duizenden), normaal en pathologisch, zijn inderdaad nodig om de verschillende sets te vormen waarop het zal worden getraind. Hiervoor zijn grote databases nodig, waarbij elk voorbeeld is geannoteerd door een patholoog - en deze beeldcollecties vereisen een grote opslagcapaciteit en hun digitalisering-annotatie vertegenwoordigt een aanzienlijk budget.

De prestaties van de AI zijn afhankelijk van de kwaliteit van de gegevens die tijdens de training worden verstrekt, waardoor deze niet vrij is van vooringenomenheid. Het kan zelfs de vooroordelen in de trainingssets versterken. En net als een goed getraind menselijk oog kan het fouten maken.

Ten slotte zal de toekomstige implementatie van deze digitale modellen samen met artsen in de "echte" patiëntenzorg de definitie van normen en een wettelijk kader vereisen, zoals het geval was voor genetische analyses na de komst van high-throughput sequencing.

Deze ontwikkeling vereist namelijk het delen van bepaalde medische gegevens, wat indruist tegen de ethiek en het medisch geheim. Het delen ervan tussen centra is noodzakelijk voor het opzetten van grote databases, die op zichzelf noodzakelijk zijn voor de ontwikkeling van betrouwbare algoritmen. En als de gegevens altijd geanonimiseerd zijn, levert de mogelijke overdracht door Cloud vertrouwelijkheidsproblemen op (risico op hacking).

Bovendien moeten de algoritmen, om real-time beoordeling van de ziekteprognose en behandelingsrespons mogelijk te maken, rechtstreeks vanuit het elektronische medische dossier kunnen werken. Dit kan alleen worden gedaan door de aanbevelingen van het nog op te richten Europees Geneesmiddelenbureau te respecteren.

Toekomstperspectieven

Ondanks deze obstakels is de transitie ingezet. Uiteindelijk is het doel voor AI integreert multimodale gegevens, uit de vier lagen van de moderne oncologie: microscopie, radiologie, genetica en klinische praktijk. Deze integratie zal leiden tot efficiëntere modellen, met name voor de evaluatie van de prognose. Binnen vijf jaar zou AI het onderzoeksveld kunnen verlaten en in de reguliere zorg kunnen worden gebruikt.

De komst van digitale pathologie belooft in ieder geval een belangrijk keerpunt te worden voor de patiënt.

Audrey Rousseau, Professor in Pathologische Anatomie - Docent-onderzoeker arts aan het Universitair Ziekenhuis van Angers, Universiteit van Angers et Leslie Tessier, PhD student, stagiair pathologische anatomie en cytologie, RadboudUMC, Nijmegen, Universiteit van Angers

Dit artikel is opnieuw gepubliceerd vanaf The Conversation onder Creative Commons-licentie. Lees deorigineel artikel.