Raadpleeg ook literatuurlijsten niet-toxische middelen en behandelingen specifiek bij slokdamkanker van arts-bioloog drs. Engelbert Valstar

18 februari 2020: Bron: Gastroentology

Kunstmatige Intelligentie (AI) ontdekt veel nauwkeuriger symptomen van beginnende slokdarmkanker op foto's / beelden van een endoscopie dan die waren beoordeeld door endoscopisten gespecialiseerd in slokdarmkanker.

De zelflerende computer (AI) beoordeelde de foto's / beelden 15 procent nauwkeuriger dan 53 ervaren endoscopisten uit heel Europa deze beoordeelden. (73 vs 88 procent nauwkeurigheid). De computer wees tot 97 procent nauwkeurigheid de plek aan waar een biopt moest worden genomen.  

Deze resultaten komen uit een Nederlandse studie uitgevoerd door wetenschappers van TU Eindhoven samen met het UMC en Catharina Ziekenhuis Eindhoven. 

De nadruk van het onderzoek lag daarbij op de effecten van het Barrett syndroom, ook wel Barrett slokdarm genoemd. Een Barrett slokdarm is een aandoening waarbij de binnenkant van de slokdarm, het slijmvlies, is aangetast door terugstromend maagzuur, ook wel reflux genoemd. Een reflux komt vaak voor bij mensen die een breuk in hun middenrif hebben of te dik zijn. En deze aantasting van de binnenkant van de slokdarm kan uiteindelijk slokdarmkanker veroorzaken. Maar dan is de kanker vaak al te ver om nog goed te behandelen en/of is een operatie enorm belastend voor een patiënt. 

Die verandering van het slijmvlies van de slokdarm is op foto's moeilijk vast te stellen, zeker voor endoscopisten die nog niet veel ervaring met slokdarmkanker hebben. Daarom hebben de onderzoekers deze studie opgezet omdat Kunstmatige intelligentie steeds intelligenter wordt als het ware en mits goed wordt voorzien van informatie sneller en beter kan beoordelen.  

De Nederlandse onderzoekers hebben daarvoor eerst een soort van voor training uitgevoerd door de in de computer 494.364 gelabelde endoscopische beelden verzameld uit alle darmsegmenten in te voeren. Vervolgens hebben zij 1704 unieke slokdarmbeelden met hoge resolutie gebruikt van bevestigde vroege stadia van neoplasie in Barrett’s esophagus (BE) en niet-plastische Barrett’s esophagus (BE), afgeleid van 669 patiënten. Voor de studie werden 53 ervaren endoscopisten uit heel Europa gevraagd een bepaalde set van data te bekijken en te beoordelen en hun bevindingen werden vergeleken met de bevindingen van de zelflerende computer. 

Het CAD-systeem, zoals het programma in de zelflerende computer wordt genoemd, beoordeelde afbeeldingen als neoplastische of niet-plastische Barrett’s esophagus (BE) met 89% nauwkeurigheid, 90% gevoeligheid en 88% specificiteit (op basis van gegevensset 4, 80 patiënten en afbeeldingen).
In dataset 5 (80 patiënten en afbeeldingen) waren de waarden voor het CAD-systeem versus die van de algemene endoscopisten 88% versus 73% nauwkeurigheid, 93% versus 72% gevoeligheid en 83% versus 74% specificiteit.

Het CAD-systeem bereikte daarmee een hogere nauwkeurigheid dan alle individuele 53 endoscopisten, met vergelijkbare afbakeningsprestaties. Het CAD-systeem identificeerde de optimale locatie voor biopsie van gedetecteerde neoplasie in 97% en 92% van de gevallen (gegevenssets 4 en 5, respectievelijk).

Het volledige studierapport: Deep-Learning System Detects Neoplasia in Patients With Barrett’s Esophagus With Higher Accuracy Than Endoscopists in a Multistep Training and Validation Study With Benchmarking is tegen betaling in te zien. (abstract staat onderaan artikel).

De Volkskrant heeft er ook een goed artikel over:  

Zelflerende computer spoort slokdarmkanker beter op dan de dokter, live in de operatiekamer

Hier het abstract van de studie:

We developed, validated, and benchmarked a deep-learning computer-aided system for primary detection of neoplasia in patients with BE. The system detected neoplasia with high accuracy and near-perfect delineation performance.

Source: 

Deep-Learning System Detects Neoplasia in Patients With Barrett’s Esophagus With Higher Accuracy Than Endoscopists in a Multistep Training and Validation Study With Benchmarking

A.J. de Groof1
M.R. Struyvenberg1
J. van der Putten2
F. van der Sommen2
K.N. Fockens1
W.L. Curvers3
S. Zinger2
R.E. Pouw1
E. Coron4
F. Baldaque-Silva5
O. Pech6
B. Weusten7
A. Meining8
H. Neuhaus9
R. Bisschops10
J. Dent11
E.J. Schoon3
P.H. de With2
J.J. Bergman1,,'Correspondence information about the author J.J. Bergman

Background & Aims

We aimed to develop and validate a deep-learning computer-aided detection (CAD) system, suitable for use in real time in clinical practice, to improve endoscopic detection of early neoplasia in patients with Barrett’s esophagus (BE).

Methods

We developed a hybrid ResNet-UNet model CAD system using 5 independent endoscopy data sets. We performed pretraining using 494,364 labeled endoscopic images collected from all intestinal segments. Then, we used 1704 unique esophageal high-resolution images of rigorously confirmed early-stage neoplasia in BE and nondysplastic BE, derived from 669 patients. System performance was assessed by using data sets 4 and 5. Data set 5 was also scored by 53 general endoscopists with a wide range of experience from 4 countries to benchmark CAD system performance. Coupled with histopathology findings, scoring of images that contained early-stage neoplasia in data sets 2–5 were delineated in detail for neoplasm position and extent by multiple experts whose evaluations served as the ground truth for segmentation.

Results

The CAD system classified images as containing neoplasms or nondysplastic BE with 89% accuracy, 90% sensitivity, and 88% specificity (data set 4, 80 patients and images). In data set 5 (80 patients and images) values for the CAD system vs those of the general endoscopists were 88% vs 73% accuracy, 93% vs 72% sensitivity, and 83% vs 74% specificity. The CAD system achieved higher accuracy than any of the individual 53 nonexpert endoscopists, with comparable delineation performance. CAD delineations of the area of neoplasm overlapped with those from the BE experts in all detected neoplasia in data sets 4 and 5. The CAD system identified the optimal site for biopsy of detected neoplasia in 97% and 92% of cases (data sets 4 and 5, respectively).

Conclusions

We developed, validated, and benchmarked a deep-learning computer-aided system for primary detection of neoplasia in patients with BE. The system detected neoplasia with high accuracy and near-perfect delineation performance. The Netherlands National Trials Registry, Number: NTR7072


Plaats een reactie ...

Reageer op "Beginnende slokdarmkanker beter te herkennen door zelflerende computer (AI) dan door artsen (15 procent nauwkeuriger), blijkt uit Nederlandse studie"


Gerelateerde artikelen
 

Gerelateerde artikelen

Beginnende slokdarmkanker >> Chemo plus bestraling voordat >> Diabetes vergroot risico op >> Diagnose: Slokdarmkanker zou >> Hyperthermie: Chemo en bestraling >> Immuuntherapie met gemoduleerd >> Operatie: Kijkoperatie - endoscopie >> PDT - Photodynamische Therapie: >> RFA - Radio Frequency Ablation: >> Vaccinatieprogramma bij maagkanker >>