Samenwerking als sleutel in screening slokdarmkanker

“Als mijn iPhone gezichten kan herkennen op foto’s, waarom kunnen we dan niet automatisch kanker herkennen op medische beelden?” Dat was de vraag waarmee Erik Schoon de universiteit benaderde vertelt Fons van der Sommen, inmiddels universitair hoofddocent aan de TU/e.

“Ik had destijds mijn stage in het automatisch herkennen van personen op videobeelden bij Philips onderbroken omdat mijn vader ziek werd en overleed aan een hersentumor. Die ervaring motiveerde mij om mijn kennis in te gaan zetten voor het medische domein. Peter de With koppelde mij aan de vraag van Erik, en zo is het balletje gaan rollen.”

Succesvolle afronding

Tien jaar later is wat ooit klein begon met een enkel masterproject uitgemond in een bijzonder succesvolle onderzoekslijn, een aantal cum laude promoties, en een techniek die de kliniek heeft bereikt.

In een recent artikel in The Lancet Digital Health bewijzen de inmiddels 31 bij het onderzoek betrokkenen op basis van een grootschalige studie de toegevoegde waarde van hun AI systeem voor het herkennen van vroege tekenen van slokdarmkanker in een specifieke groep patiënten.

Het AI-systeem kijkt live mee tijdens een endoscopie – een procedure waarbij de arts een lampje en een mini-camera door de slokdarm stuurt. Op de videobeelden geeft het systeem met een rode kleur aan waar het verdacht weefsel ziet dat middels een biopt verder onderzocht moet worden.

De arts beoordeelt de beelden ondertussen zelf ook. Partner in het onlangs gepubliceerde onderzoek is Olympus Medical Systems. Zij gaan de AI-software nu implementeren in hun endoscopie-apparatuur zodat artsen er in het ziekenhuis mee kunnen gaan werken.

Ideale testcase

“Het systeem dat we in het Lancet artikel presenteren is er specifiek op getraind om het verschil te zien tussen ‘gewoon’ Barrett weefsel en kankercellen,” vertelt Van der Sommen. Hoewel het bij deze aandoening gaat om een relatief klein aantal patiënten is het een ideale case om de toegevoegde waarde van AI voor de medische zorg te demonstreren, stelt hij.

Het gaat om een van meest complexe beeldanalyses in het medische domein: afwijkingen aan weefsel dat van zichzelf al niet normaal is.

Fons van der Sommen

“Het gaat hier om een van de meest complexe beeldanalyses in het medische domein. Je zoekt naar minimale afwijkingen in weefsel dat op zichzelf al niet normaal is. Zoals Erik meteen tegen me zei: ’Als we dit kunnen, dan kunnen we alles.’”

Weg naar succes

Terugkijkend benoemt Van der Sommen een aantal factoren die doorslaggevend zijn geweest voor het succes van dit onderzoek. “We begonnen goed door eerst uitgebreid te gaan praten met artsen. Wat is er wel en niet relevant voor de klinische setting? Waar kijken zij naar op de endoscopiebeelden? Wat zijn de cruciale verschillen tussen ’gewoon’ Barrett weefsel en kankerweefsel?”

“Op basis van die gesprekken en een stuk of honderd beelden van Barrett slokdarmen met en zonder kanker heb ik een eerste algoritme gemaakt dat automatisch verdachte afwijkingen kon herkennen.” Dat masteronderzoek resulteerde meteen al in drie publicaties.

Ondertussen was er vanuit het ‘Technology for Oncology’-programma van NWO TTW (destijds STW) en KWF financiering toegekend voor een promotietraject voor Van der Sommen, waarbij endoscopieproducent Fuji betrokken was.

Dat project leverde een systeem op dat bij testen in het Amsterdam UMC en het Catharina Ziekenhuis in Eindhoven beter bleek te scoren dan internationale endoscopisten die het beeld op het oog beoordeelden.

Verbreding van consortium

Daarnaast had het Eindhovense onderzoek de aandacht getrokken van Jacques Bergman van het Amsterdam UMC, dé Nederlandse autoriteit op het gebied van Barrett slokdarmen.

“Hij had een nieuwe visualisatietechniek ontwikkeld om vroege slokdarmkanker op te sporen, maar de resultaten daarvan waren voor mensen moeilijk te interpreteren. Hij was benieuwd of wij daar met onze lerende algoritmen automatisch de klinisch relevante informatie uit zouden kunnen halen,” vertelt Van der Sommen.

Nog tijdens zijn promotie-periode ontwikkelde Van der Sommen algoritmen die de vroege stadia van kanker kunnen herkennen in beelden gemaakt met deze zogeheten Volumetric Laser Endomicroscopy techniek. Vanwege de complexiteit van deze meettechniek heeft hij de kliniek echter niet gehaald.

“Maar Bergman was door onze resultaten wel overtuigd geraakt van de kracht van AI. Hij heeft het initiatief genomen voor een nieuw, grootschaliger project genaamd ARGOS, geleid door het Barrett-expertisecentrum in Amsterdam,” vervolgt Van der Sommen zijn chronologische verhaal.

Aangezien dat expertisecentrum nauwe banden had met endoscopieleverancier Olympus lag een samenwerking met hen voor de hand. “In 2018 kwam een delegatie van dat bedrijf vanuit Tokio naar Nederland. Wij hebben hen onze plannen gepresenteerd om het technisch ontwerp van het systeem te verbeteren, en tegelijk een grootschalige databank aan te leggen van maag-, lever- en darm-endoscopische beelden om onze systemen mee te trainen.”

Nieuwe technische uitdagingen

In dat gesprek kwamen vanuit Olympus meteen ook wat praktische randvoorwaarden op tafel die nieuwe technische uitdagingen met zich meebrachten, legt de elektrotechnicus uit. “Het algoritme dat wij op dat moment hadden ontwikkeld voor de automatische beeldanalyse vereiste te veel rekenkracht en geheugen.”

“Dat kunnen de processoren die standaard in zo’n endoscoop zitten helemaal niet aan. Daarnaast duurden de berekeningen nog te lang, je wilt in real time afwijkingen kunnen aanwijzen. Onder andere promovendi Joost van der Putten, Tim Boers, Koen Kusters en hebben dan ook veel tijd en energie besteed aan het aanpassen van onze architectuur om de beeldbewerking samen met MDL-arts in opleiding Jeroen de Groof van het Amsterdam UMC haalbaar te maken in de klinische praktijk.”

In een grootschalig onderzoek trainde onder andere het nieuwe AI algoritme om snel en efficiënt afwijkingen te herkennen op endoscopische foto’s en video’s van Barrett slokdarmen. “Het mooie van de overzichtsstudie die nu is verschenen in de Lancet, is dat we het systeem hebben getest op data die we zorgvuldig buiten de ontwikkeling hebben gelaten (het trainen en valideren). En dat we deze externe test set ook maar één keer gebruikt hebben,” zegt Van der Sommen.

Hierdoor schreef het systeem niet als een frauderende scholier de juiste antwoorden over van een eerder gemaakte toets, maar werd elk beeld voor het eerst beoordeeld op basis van de kennis die het systeem uit andere beelden had opgedaan. Zodoende weet Van der Sommen zeker dat het systeem ook zo goed presteert met échte, nieuwe beelden in de praktijk in elk ziekenhuis.

We willen het gat dichten tussen academische ziekenhuizen en streekziekenhuizen

Fons van der Sommen

Grenzen opzoeken

In een vervolgonderzoek gefinancierd vanuit een NWO Veni subsidie is Van der Sommen inmiddels op zoek naar de grenzen van de techniek. “We willen het gat dichten tussen specialistische ziekenhuizen en streekziekenhuizen. De meeste ziekenhuizen hebben niet de nieuwste apparatuur om mee te werken, en hebben ook niet de tijd om de endoscopiebeelden zo mooi mogelijk te maken.”

“We kijken nu dus wat er mogelijk is met beelden die een slechtere resolutie hebben, of die overbelicht zijn, of bewogen. En misschien zijn er wel verschillen in de patiënten populaties waar we rekening mee moeten houden in onze algoritmen.”

Daarnaast werkt hij onder meer samen met Erik Schoon en het Maastricht UMC aan een vervolgonderzoek om automatisch kwaadaardige structuren te herkennen in de dikke darm. “En we kijken wat we met onze technologie kunnen betekenen voor de vroege opsporing van longkanker, alvleesklierkanker en prostaatkanker,” vertelt de Eindhovense wetenschapper tevreden.

De samenwerking tussen arts en AI staat centraal

Fons van der Sommen

In alle gevallen staat samenwerking tussen arts en AI centraal, benadrukt hij. “Toen we hier in 2011 mee begonnen bestond er nog grote weerstand tegen het idee om kunstmatige intelligentie toe te laten in de kliniek. Het idee was dat je artsen niet kunt vervangen door een robot. Daar ben ik het helemaal mee eens.”

“Een kunstmatig intelligent systeem dat precies hetzelfde kan als een mens heeft nul toegevoegde waarde. Juist door andere informatie uit een beeld te halen kunnen we de blik van de arts verbreden en zo de zorg verbeteren. En dan is het ook niet erg als de AI iets over het hoofd ziet wat voor een menselijke arts zo klaar is als een klontje.”

Het artikel “A deep learning system for detection of early Barrett's neoplasia: a model development and validation study” van de hand van onder andere Jeroen de Groof van Amsterdam UMC en Fons van der Sommen verscheen eind november online in The Lancet Digital Health en in december in de papieren editie van het wetenschappelijke blad.