AI ondersteunt bij tumorsegmentatie
De tumoren zijn (meestal) goedaardig, maar kunnen erg invaliderende symptomen veroorzaken: gehoorverlies, evenwichtsstoornis en/of functieverlies van belangrijke hersenzenuwen, resulterend in aangezichtsverlamming, gevoelsstoornis van het gelaat, slikstoornis, spraakstoornis, of luchtwegproblemen. Bij grote tumoren kan verhoogde intracraniële druk en hersenstamcompressie ontstaan.
Een belangrijk gemeenschappelijk kenmerk is dat tumorgroei niet altijd optreedt en het groeitempo erg kan variëren van tumor tot tumor. Dit groeipatroon is essentieel voor de klinische besluitvorming, maar kan niet goed voorspeld worden. MRI-beeldvorming kan worden gebruikt om niet-invasief veranderingen van tumorgroottes te vervolgen over te tijd. Doordat dergelijke tumoren langzaam groeien zal er per patiënt een aanzienlijke hoeveelheid beeldvorming over de jaren heen plaatsvinden.
Detecteren van de tumor
Om de verandering in tumorgrootte nauwkeurig vast te stellen wordt in de huidige klinische praktijk de tumor handmatig gesegmenteerd met op de radiologie beschikbare software. Dit zorgt voor een belangrijke toename van de werklast op de afdeling radiologie (waarbij de tijdsduur van een gemiddelde segmentatie kan oplopen tot 20 minuten en wekelijks 10-15 patiënten MRI-beeldvorming voor deze indicatie ondergaan). Daarnaast zijn deze metingen onderhevig aan aanzienlijke variabiliteit binnen en tussen personen.
…Om de verandering in tumorgrootte nauwkeurig vast te stellen wordt in de huidige klinische praktijk de tumor handmatig gesegmenteerd met op de radiologie beschikbare software. Dit zorgt voor een belangrijke toename van de werklast op de afdeling radiologie (waarbij de tijdsduur van een gemiddelde segmentatie kan oplopen tot 20 minuten en wekelijks 10-15 patiënten MRI-beeldvorming voor deze indicatie ondergaan). Daarnaast zijn deze metingen onderhevig aan aanzienlijke variabiliteit binnen en tussen personen.
De berekende volumina (over de tijd) en handmatige metingen van de grootste diameters worden gebruikt in het wekelijkse multidisciplinaire overleg (MDO) voor brughoektumoren of schedelbasispathologie. Hier wordt aan de hand van beschikbare beeldvorming het beleid voor de patiënt bepaald: radiotherapie, chirurgie of een afwachtend beleid, waarbij na bepaalde tijd opnieuw een MRI-scan wordt verricht. De klinische besluitvorming bij patiënten met een vestibularis schwannoom hangt in een belangrijke mate af van de tumorgroei.
Om de werklast binnen de radiologie te beheersen en leden van het MDO-team te voorzien van gestandaardiseerde informatie, wordt er gewerkt aan een manier om dergelijke beeldbewerkingstaken te automatiseren met behulp van artificiele intelligentie (AI) technieken.
De software die hier wordt besproken bevat een algoritme die met behulp van ‘deep learning’ technologie automatisch beeldsegmentatie van vestibularis schwannoom (VS) laesies op MRI-beelden kan verrichten (T1 en T2). Deze software kan automatisch de maximale diameters van de tumor, als mede de volumina hiervan meten. De verwachting is dat door de inzet van dergelijke software de nauwkeurigheid van de metingen vergroot worden en de beeldbewerkingstijd aanzienlijk verminderd.
Pilotfase
Binnenkort begint de pilot A fase, waarin de MRI-beelden zullen worden geanalyseerd door het AI-model. De resultaten zullen worden nagekeken door radiologen, KNO-artsen en laboranten van de Imaging Services Group (ISG), welke de segmentatie kan accepteren of afwijzen. Dit gebeurt in een retrospectieve opzet, op basis van geanonimiseerde beelden. Aan de hand van de uitkomsten van pilot A, zullen voorbereidingen getroffen worden voor fase pilot B, waarin het model getest zal worden in klinische praktijk.