Medisch specialisten kunnen deze AI-oplossing gebruiken voor diagnose, het bepalen van de tumorgrootte en opvolging van het bestralingstraject bij patiënten. Het onderzoeksteam deed een vergelijkend warenonderzoek met gegevens uit verschillende ziekenhuizen van over de hele wereld (Europa, VS, China). De resultaten waren zo overtuigend, dat de Maastrichtse wetenschappers hebben besloten hun AI-methode en bijbehorende software open source aan te bieden. Hun bevindingen zijn deze week gepubliceerd in het wetenschappelijke tijdschrift Nature Communications.
 

Kunstmatige intelligentie

Om hun AI-methode te trainen, gebruikten de onderzoekers meer dan 1.300 CT-scans van ziekenhuizen in Nederland, België, de Verenigde Staten en China. Ze vergeleken de resultaten van hun AI-methode met de prestaties van radiologen op verschillende punten.

Het AI-model blijkt niet alleen sneller in het detecteren en afbakenen van de tumor bij longkankerpatiënten, maar het lijkt ook beter in staat te zijn de grootte van een tumor in te schatten en op een meer reproduceerbare manier. Dit is een belangrijk gegeven, omdat een nauwkeurige tumorafbakening cruciaal is voor het toedienen van een precieze dosis bestraling aan de patiënt.

Bovendien is de software 100 procent reproduceerbaar, in tegenstelling tot het werk van menselijke experts. Een blind onderzoek heeft zelfs uitgewezen dat een meerderheid van de medisch specialisten (onbewust) de voorkeur gaf aan de resultaten van de AI-methode. De Maastrichtse wetenschappers hebben bovendien aangetoond dat de geautomatiseerde afbakening een betere voorspelling van overlevingskansen mogelijk maakt dan een handmatige.

Longkanker

Dankzij hun onderzoeksresultaten zijn de UM-wetenschappers zo overtuigd van de AI-methode dat ze deze nu open source aanbieden, samen met de gecertificeerde software die daarbij hoort.

Onderzoeksleider Philippe Lambin, hoogleraar Precisiegeneeskunde in Maastricht, hoopt dat het delen van het AI-model zal bijdragen aan een snelle toepassing in ziekenhuizen. “We voorzien drie toepassingen van deze software: diagnose, afbakening voor radiotherapie en responsevaluatie. We hebben ons best gedaan om de oplossing prospectief te evalueren, maar het moet nog worden getest in een daadwerkelijke ziekenhuisomgeving.”

Universitair docent en hoofd van het lab, Henry Woodruff, stelt verder dat "generaliseerbaarheid en robuustheid belangrijke factoren zijn voor AI-oplossingen in de geneeskunde. Daarom hebben we verschillende datasets uit Europa, de VS en China gebruikt."

Hoofdauteur Sergey Primakov benadrukt: "Hoewel er soortgelijke oplossingen in het veld worden voorgesteld, is dit voor zover wij weten de eerste volledig geautomatiseerde detectie- en segmentatietool die zo uitgebreid is getest. Bovendien hebben we een enorme CT-dataset verzameld en samengesteld voor het trainen van ons model. Door onze code open source te maken, hopen we een waardevolle bijdrage te leveren aan het werkveld van de medische beeldvorming.”