Big data en kunstmatige intelligentie

Kunstmatige neurale netwerken verbeteren behandeling hersentumor

© VadimGuzhva / stock.adobe.com

Met behulp van kunstmatige neurale netwerken (ANN's) kan de groei van kwaadaardige hersentumoren beter worden voorspeld, blijkt uit Duits onderzoek. De betreffende netwerken kunnen ook worden getraind om oedeem te ontdekken.

De meest voorkomende en de meest kwaadaardige hersentumoren bij volwassenen zijn gliomen. Die tumoren kunnen meestal niet volledig worden verwijderd. En omdat ze zeer resistent zijn is chemo- of radiotherapie vaak niet zo effectief.

Maar wat ook lastig is: de groei van deze tumoren is slecht in kaart te brengen met standaard MRI. Met behulp van kunstmatige intelligentie is de groei beter te voorspellen. En dus kunnen zorgverleners ook beter beoordelen of behandelingen aanslaan.

__________________________________________________________________________________________

Abonneer u nu op de nieuwsbrief van QruxxTech. En krijg daarmee iedere maandag een update van alle artikelen, blogs en nieuwsberichten.

___________________________________________________________________________________________

Dit tonen Duitse onderzoekers van het universitaire ziekenhuis van Heidelberg aan in een artikel in het aprilnummer van The Lancet Oncology.

Training ANN

Het beoordelen van de groei van gliomen aan de hand van MRI-scans is gevoelig voor fouten, aldus de onderzoekers. In de voorspellingen van het verloop van de kanker – zowel in volume als in tijd – ontstaan hierdoor op termijn grote verschillen. Kort door de bocht: aan die criteria heb je dus niet zoveel.

Daarom wil het Heidelbergse ziekenhuis big data en machine-learning inzetten bij de radiologische diagnostiek. Samen met het oncologische instituut DKFZ zijn artificiële neurale netwerken (ANN’s) ontwikkeld en ‘getraind’. Hiervoor verzamelden de onderzoekers gegevens van 455 patiënten met hersentumoren in het Heidelbergse ziekenhuis tussen juli 2009 en maart 2017. Met behulp van deze ‘Heidelberg-trainingdataset’ konden de ANN’s zich verder ontwikkelen.

Tumor automatisch herkennen

Daarna volgden een test met 239 MRI-scans van 40 patiënten in het eigen ziekenhuis én een validatietest met een set van 2034 MRI-scans van 532 patiënten bij 34 andere instellingen. De algoritmen bleken in staat om de hersentumoren automatisch te herkennen en te lokaliseren. Het bleek ook mogelijk om met hulp van de ANN’s afzonderlijke gebieden te herkennen, zoals bijvoorbeeld tumorweefsel of oedeem. Dat maakt het artsen mogelijk om de respons op therapie, en daarmee de overlevingskansen, nog nauwkeuriger te voorspellen.

Breder klinisch inzetten

De onderzoekers willen de gestandaardiseerde en geautomatiseerde beoordelingen door ANN’s nu zo snel mogelijk breder klinisch inzetten. Ze ontwikkelden een software-infrastructuur die eenvoudig kan integreren binnen de bestaande radiologische systemen. Die is uitgetest in een simulatietest. Daaruit bleek dat de gemiddelde berekeningstijd per scan ongeveer 10 minuten was.

“Met deze studie konden we het grote potentieel van kunstmatige neurale netwerken in radiologische diagnostiek aantonen”, aldus onderzoeksleider Philipp Kickingereder. Collega-onderzoek Klaus Maier Hein vult aan: “In de toekomst willen we de technologie verbeteren voor geautomatiseerde analyse van medische beelden. En deze niet alleen toepassen voor hersentumoren, maar ook voor andere ziekten. Zoals hersenmetastasen of multiple sclerose.”

Reacties