AI helpt bij afwijkingen in dicht borstweefsel
Onderzoekers van het UMC Utrecht hebben een geautomatiseerd systeem ontwikkeld dat snel en nauwkeurig MRI-foto’s van borsten met dicht borstklierweefsel inspecteert. Het stuurt alleen foto’s met afwijkingen erop door naar de radioloog. Vandaag verschijnt het wetenschappelijk artikel over dit onderzoek in het blad Radiology.
De meeste vrouwen met een mogelijke afwijking in de borst krijgen een mammografie: een röntgenfoto van de borst. Maar een mammografie kan niet altijd uitwijzen of er een afwijking in de borst zit. Dat is vaker zo bij vrouwen met dicht borstklierweefsel (dense borstweefsel). Deze vrouwen hebben in verhouding meer melkklieren en minder vet in hun borsten.
Diagnostisch onderzoek met de MRI-scan bij dicht borstklierweefsel
Als de mammografie geen duidelijke uitslag geeft, kan een vrouw met dicht borstklierweefsel baat hebben bij een MRI-scan. Dat is gebleken uit de Nederlandse DENSE-studie. Dit is een groot onderzoek naar de meerwaarde van de MRI-scan bij dicht borstklierweefsel.
Als de MRI-scan een standaardonderzoek wordt in de screening van vrouwen met dicht borstklierweefsel, gaat dit over ongeveer 40.000 vrouwen per jaar. Al deze MRI-foto’s moeten door een radioloog met expertise van borstkanker beoordeeld worden. De DENSE-studie bevestigde ook dat op de meeste MRI-foto’s van dense borsten geen afwijkingen te zien zijn.
“Dit onderzoek laat zien dat het met kunstmatige intelligentie mogelijk is om een geautomatiseerde borstkankerscreening te doen van dicht borstweefsel.”
Een triage-instrument voor de radioloog
Om de werklast van de radiologen te verminderen, ontwikkelden onderzoekers van het UMC Utrecht een geautomatiseerd systeem op basis van kunstmatige intelligentie (AI). Ze gebruikten de MRI-foto’s uit de DENSE-studie om het systeem te trainen en een onderscheid te leren maken tussen borsten met en zonder afwijking.
Hoofdonderzoeker Kenneth Gilhuijs licht toe: “Het systeem kan snel en nauwkeuring MRI-foto’s inspecteren. Het stuurt alleen de foto’s met afwijkingen door naar de radioloog en houdt foto’s zonder afwijkingen tegen. Zodoende is het een triage-instrument voor de radioloog.”
Het systeem haalt bijna de helft van de foto’s eruit
Het systeem is nu ‘slim’ genoeg om 40% van de MRI-foto’s zonder afwijkingen eruit te halen. Daarbij miste het systeem geen enkele foto met een kwaadaardige borsttumor erop. Al die foto’s kwamen bij de radioloog terecht.
Kenneth legt verder uit: “In dit onderzoek laten we zien dat het met kunstmatige intelligentie mogelijk is om een geautomatiseerde borstkankerscreening te doen van dicht borstweefsel, zonder een kwaadaardige borsttumor te missen. Het veilig afwijzen van bijna de helft van de normale foto’s zou voor radiologen een grote vermindering van de werklast betekenen.”
De onderzoekers zijn tevreden over deze eerste bevindingen. “De resultaten zijn beter dan we hadden verwacht: 40% is een goed begin. Nu willen we het systeem nog slimmer maken”, aldus Kenneth. “Het uiteindelijk doel is dat het systeem net zo slim wordt als een ervaren radioloog. Om dat te verwezenlijken, is meer onderzoek nodig. We gaan het systeem verder trainen met andere MRI-foto’s en met de volgende screeningsrondes van de DENSE-trial.”
Over dit onderzoek
Dit onderzoek is een samenwerking van het Image Sciences Institute met de afdeling Radiologie en het Julius Centrum. De eerste auteur van het artikel is Erik Verburg en hij promoveert binnenkort op dit onderwerp.
Naar het wetenschappelijk artikel: Deep Learning for Automated Triaging of 4581 Breast MRI Examinations from the DENSE Trial.
Bekijk de profielpagina’s van Kenneth Gilhuijs en van Erik Verburg.
