AI’s rol in medische beeldvorming voor eerder afwijkingsdetectie

De hype rondom AI is nog steeds aanwezig in de gezondheidszorg, maar vooral sterk in de radiologie. Als je je de vroege dagen van computer-aided design (CAD) herinnert, is het indrukwekkend hoe ver de technologie is gekomen. Een native van ChatGPT zou misschien beweren dat er nog veel werk moet worden gedaan voordat AI zijn volle potentieel in dit veld kan bereiken. Beide meningen zijn correct. Dit artikel zal onderzoeken waarom het zo moeilijk is voor AI om dingen te detecteren, hoe zijn rol verandert en welke trends we in 2025 en daarna kunnen verwachten.

Een naald in een hooiberg vinden: Detectie is moeilijk.

Vroegtijdige detectie van ziekten is moeilijk omdat ziekten vaak beginnen met subtiele afwijkingen van de normale verschijning in radiologische beeldgegevens. Omdat er veel volledig normale, natuurlijke variatie tussen individuen is, is het heel moeilijk om te bepalen welke kleine veranderingen echt abnormaal zijn. Bijvoorbeeld, longknobbels beginnen heel klein; diffuse longziekten beginnen met gemakkelijk over het hoofd gezien weefselveranderingen.

Dat is waar Machine Learning (ML) een belangrijke rol speelt. Het kan leren om de specifieke veranderingen te herkennen die niet normaal zijn, maar eerder geassocieerd met ziekte, en deze te scheiden van normale variatie. Deze normale variatie kan verschillende bronnen hebben: individuele anatomie, technische verschillen in de beeldvormingapparatuur of zelfs tijdelijke veranderingen in weefselverschijning die volledig normaal zijn. We moeten ML-modellen trainen met grote hoeveelheden gegevens zodat ze representaties van deze variatie kunnen vormen en de veranderingen kunnen identificeren die op ziekte wijzen.

Kan AI ons helpen om afwijkingen eerder te detecteren?

AI kan op verschillende manieren helpen. Ten eerste kan het specifieke patronen herkennen die geassocieerd zijn met ziekte, zoals kanker, interstitiële longziekten of cardiovasculaire ziekten in beeldgegevens. Door te trainen op zo divers mogelijke gegevens kan AI robuust detecteren van bevindingen die belangrijk zijn voor de eerste diagnose. En door hele beeldvolumes te parseren, kan het radiologen ondersteunen door verdachte gebieden te markeren, waardoor de gevoeligheid van artsen toeneemt.

Ten tweede kan AI beeldkenmerken gebruiken die verder gaan dan wat mensen gemakkelijk kunnen observeren en rapporteren. Bij longkankerdetectie beoordelen radiologen eerst de grootte, vorm en categorie van een knobbeltje om te beslissen over de volgende stap in patiëntbeheer. AI kan driedimensionale textuur en fijne kenmerken van het oppervlak van een knobbeltje analyseren om meer betrouwbaar te bepalen of het een hoog of laag risico op kwaadaardigheid heeft. Dit heeft directe gevolgen voor het beheer van individuele patiënten, zoals of die persoon wordt doorverwezen voor een biopsie of de lengte en frequentie van follow-up-intervallen.

In een studie van Adams et al. (JACR) werd aangetoond dat het combineren van richtlijn-gebaseerde beheer van incidentele knobbeltjes in borst-CT’s met ML-gebaseerde analyse aanzienlijk minder valse positieven kon opleveren. Dit vertaalt zich in zowel een vermindering van het aantal onnodige biopsieën (voor de gevallen waarin de AI zegt dat het knobbeltje goedaardig is) als een snellere tijd tot behandeling (voor de gevallen waarin de AI zegt dat het knobbeltje kwaadaardig is). Hier is het belangrijk om te benadrukken – AI pleit niet voor het elimineren van richtlijnen. In plaats daarvan worden we uitgedaagd om de noodzakelijke richtlijnen te complementeren met AI-resultaten. In dit geval, als de ML-score de richtlijn met hoge zekerheid tegenspreekt, dan gaan we met de ML-score; anders houden we ons aan de richtlijn instructies. We zullen meer toepassingen zoals deze in de toekomst zien.

Ten derde kan AI helpen om veranderingen over tijd bij patiënten te kwantificeren, wat opnieuw cruciaal is voor een goede follow-up. Huidige algoritmen in het gebied van ML en medische beeldanalyse kunnen meerdere beelden van dezelfde patiënt uitlijnen – we noemen dit “registratie” – zodat we naar dezelfde positie op verschillende tijdstippen kunnen kijken. In het geval van longkanker stelt het toevoegen van trackingalgoritmen ons in staat om de hele geschiedenis van elke knobbeltje in een long aan radiologen te presenteren wanneer ze een zaak openen. In plaats van dat ze eerder gemaakte scans moeten opzoeken en naar de juiste positie moeten navigeren voor een paar voorbeeldknobbeltjes, zien ze alles tegelijk. Dit zou niet alleen tijd moeten besparen, maar ook een aangenamer werkervaring voor de artsen moeten bieden.

Radiologie zal evolueren vanwege AI. De vraag is, hoe?

Er zijn verschillende richtingen waarin AI snel vooruitgang boekt. De meest voor de hand liggende is dat we meer diverse en representatieve gegevens verzamelen om robuuste modellen te bouwen die goed werken in klinische settings. Dit omvat niet alleen gegevens van verschillende soorten scanners, maar ook gegevens die verband houden met comorbiditeiten die de detectie van kanker moeilijker maken.

Naast gegevens is er een voortdurende vooruitgang in het ontwikkelen van nieuwe ML-methoden om de nauwkeurigheid te verbeteren. Bijvoorbeeld, een belangrijk onderzoeksgebied is het onderzoeken van hoe biologische variatie kan worden ontkoppeld van verschillen in beeldvorming; een ander gebied onderzoekt hoe ML-modellen naar nieuwe domeinen kunnen worden overgebracht. Multi-modaliteit en voorspelling vertegenwoordigen twee bijzonder spannende richtingen die ook een hint geven over hoe radiologie de komende jaren kan veranderen. In precisiegeneeskunde is geïntegreerde diagnostiek een kritische richting die erop gericht is om gegevens van radiologie, laboratoriumgeneeskunde, pathologie en andere diagnostische gebieden te gebruiken voor behandelingbeslissingen. Als deze gegevens samen worden gebruikt, bieden ze veel meer informatie om beslissingen te nemen dan enig specifiek parameter alleen. Dit is al standaardpraktijk, bijvoorbeeld, in tumoren; ML zal simpelweg deel gaan uitmaken van de discussie in de toekomst. Dit roept de vraag op: wat moeten ML-modellen doen met al deze geïntegreerde gegevens van meerdere bronnen? Een ding dat we kunnen doen, is proberen om toekomstige ziekte en een individu’s reactie op behandeling te voorspellen. Samen hebben ze veel macht die we kunnen exploiteren om “wat als” voorspellingen te maken die behandelingbeslissingen kunnen leiden.

Trends voor 2025: Vormgeving van efficiëntie, kwaliteit en vergoeding

Er zijn verschillende factoren die AI in klinische praktijk aandrijven. Twee belangrijke aspecten zijn efficiëntie en kwaliteit.

Efficiëntie

Door radiologen te laten concentreren op het cruciale en moeilijke aspect van hun werk – het integreren van complexe gegevens – kan AI helpen om de efficiëntie te verhogen. AI kan dit ondersteunen door kritische en relevante informatie te bieden op het moment van zorg – bijvoorbeeld kwantitatieve waarden – of door enkele taken te automatiseren, zoals detectie of segmentatie van een afwijking. Dit heeft een interessant neveneffect: het niet alleen mogelijk maakt om veranderingen sneller te beoordelen, maar ook taken zoals pixel-voor-pixel segmentatie en volumetrie van ziektepatronen van onderzoek naar klinische praktijk te brengen. Handmatig segmenteren van grote patronen is volledig onhaalbaar in veel omstandigheden, maar automatisering maakt deze informatie toegankelijk tijdens routinematige zorg.

Kwaliteit

AI beïnvloedt de kwaliteit van het werk. Daarmee bedoelen we: beter worden in diagnose, aanbeveling van specifieke behandeling, vroegere detectie van ziekte of nauwkeurigere beoordeling van behandelingrespons. Deze zijn voordelen voor elke individuele patiënt. Op dit moment wordt de relatie tussen deze voordelen en kosteneffectiviteit op systeemniveau geëvalueerd om de gezondheidseconomische impact van de introductie van AI in radiologie te bestuderen en te benchmarken.

Vergoeding

AI-adoptie is niet langer alleen maar een kwestie van efficiëntie; het wordt erkend en beloond voor zijn tastbare bijdragen aan patiëntenzorg en kostenbesparingen. De opname in vergoedingsregelingen benadrukt deze verschuiving. Terwijl de voordelen – zoals het verminderen van onnodige procedures en het versnellen van behandeling – in hindsight voor de hand liggen, is de reis lang geweest. Nu, met de eerste succesvolle gevallen die naar voren komen, is de transformatieve impact van AI duidelijk. Door patiëntresultaten te verbeteren en gezondheidsprocessen te optimaliseren, vormt AI de industrie, met spannende ontwikkelingen in het verschiet.

De toekomst van medische beeldvorming vormgeven

Medische beeldvorming ondergaat fundamentele transformaties. Precisiegeneeskunde, geïntegreerde diagnostiek en nieuwe moleculaire diagnostische technologie veranderen de manier waarop behandelingbeslissingen worden genomen in een steeds complexer wordend landschap van therapieopties. AI is een katalysator van deze verandering, omdat het artsen in staat stelt om meer kenmerken te integreren die door verschillende modaliteiten worden vastgelegd en deze te koppelen aan behandelingresponsen.

Het zal nog tijd kosten om deze tools op grote schaal te adopteren vanwege technische uitdagingen, integratieproblemen en gezondheidseconomische zorgen. Een ding dat we allemaal kunnen doen om het proces te versnellen, is een geïnformeerde patiënt zijn. We kunnen allemaal met onze artsen praten over welke AI ze mogelijk hebben getest of in de praktijk gebruiken en hoe die tools hun professionele ervaring en kennis complementeren. De markt reageert op vraag; dus als we vroegtijdige, nauwkeurige detectie eisen, zal AI komen.