Computers met kunstmatige intelligentie of beter bekend als artificiële intelligentie (AI) zouden wel eens een enorme boost kunnen geven aan de behandeling van kanker in de vorm van hersentumoren.
Dit blijkt uit een nieuw onderzoek van een internationaal team van hersentumor onderzoekers dat zojuist is gepubliceerd in het wetenschappelijke tijdschrift Nature.
Hierin onthullen zij een algoritme voor computer-leren als een krachtig hulpmiddel voor een betere hersentumor diagnose en behandeling.
De groep onderzoekers slaagde erin een AI te creëren dat zichzelf ontwikkelt om met steeds meer succes verschillende soorten hersentumoren te identificeren.
Tot 2016 werden hersentumoren uitsluitend geclassificeerd op basis van microscopie diagnose aan de hand van een analyse van tumormonsters op glasplaatjes, histologie genaamd.
Dit is een door een patholoog uitgevoerde menselijke beoordeling van subtiele cellulaire veranderingen. Daarnaast was deze indeling erg globaal.
Om dit te verbeteren startte en financierde Stichting STOPhersentumoren.nl in 2014 een internationaal project waarin alle top hersentumor pathologen en
specialisten van de wereld in Nederland bij elkaar werden gebracht om tot een betere indeling te komen die een betere diagnose en persoonsgerichte kanker behandeling voor de individuele patiënt mogelijk maakt.
Dit project was uiterst succesvol en de uitkomst van dat project werd in 2016 door de World Health Organization (WHO) geaccepteerd als de nieuwe WHO 2016 hersentumor classificatie als de vanaf dan wereldwijd geldende en gebruikte hersentumor classificatie uitgeroepen.
In deze veel nauwkeurige hersentumor indeling wordt naast de klassieke indeling ook gekeken naar andere zaken zoals de genetische informatie van de tumor (moleculaire markers).
Hierdoor is er een veel betere diagnose en behandelingsplan voor hersentumoren gekomen.
Het zojuist (maart 2018) in Nature gepubliceerde onderzoek bouwt op deze veel gedetailleerde hersentumor indeling mooi voort door de kans van menselijke fouten te reduceren.
Want met meer dan 130 verschillende type hersentumoren en de verschillende variaties daarvan kan een juist identificatieproces zelfs voor de beste pathologen erg lastig zijn en variëren afhankelijk van de waarnemer.
De verschillen zijn klein maar kunnen voor de optimale behandeling van groot belang zijn.
De machine learning-methode om moleculaire patronen te herkennen lijkt dit nu al in de meeste gevallen veel beter en sneller te gaan doen.
AI ontdekte nu al 12% foute diagnoses
Om de verschillende hersentumoren te kunnen classificeren had het team een aantal criteria nodig die de computer kon gebruiken om onderscheid te maken.
De onderzoekers gebruikten een DNA-proces genaamd methylatie als een soort biologische vingerafdruk en lieten de AI het verschil zien tussen welke van die vingerafdrukken overeenkomen met specifieke kankertypes.
Zoals alle machine-learning algoritmen had de AI een basis van kennis nodig om vergelijkingen te maken.
Het team gaf de computer de gegevens van 2800 kankerpatiënten als uitgangspunt, waardoor het een indruk kon maken van 91 verschillende soorten tumoren.
Vervolgens vroegen ze de computer om het type tumor in meer dan 1.000 bekende monsters te identificeren en ontdekten dat het oordeel van de AI in een aantal gevallen niet overeenkwam met de menselijke diagnose.
Het bleek dat de computer niet onjuist was in zijn identificatie; menselijke artsen hadden ruwweg 12% van de eerder bestudeerde monsters verkeerd gediagnosticeerd, en de AI was correct. De indrukwekkende nauwkeurigheid van het systeem maakt het een krachtig hulpmiddel voor de medische gemeenschap.
Software gratis beschikbaar gesteld
Geloof het of niet, de onderzoekers zijn eigenlijk meer geïnteresseerd in het helpen van mensen dan in het verzilveren van hun creatie.
Daartoe hebben ze het hele systeem gratis online gezet en het is al bijna 5000 keer gebruikt voor de identificatie van hersenkanker.
"Voor een bredere toegankelijkheid hebben we een gratis online classificatietool ontworpen, waarvan het gebruik geen extra onsite gegevensverwerking vereist", schrijven de onderzoekers.
"Onze resultaten bieden een blauwdruk voor de generatie van op machine-learning gebaseerde tumorscorrectors in andere kankerentiteiten, met het potentieel om tumorpathologie fundamenteel te transformeren."
Natuurlijk moet deze zelflerende software nog wat meer vlieguren maken om nog beter te worden maar het ziet er naar uit dat dit systeem en de pathologen de komende jaren veel van elkaar zullen gaan leren en grote sprongen in de behandeling van hersentumoren kunnen gaan maken.
