TU Eindhoven ontwikkelt detectiemodel Barrett slokdarm Een aantal jaar geleden klopte Erik Schoon, MDL-arts in het Catharinaziekenhuis in Eindhoven, aan bij de TU Eindhoven: ‘De telefoon van mijn dochter kan kadertjes om foto’s plaatsen, waarom kan een duur endoscopiesysteem dan niet afwijkend weefsel inkaderen ter indicatie waar ik moet biopteren?’ De TU Eindhoven ging aan de slag met deze vraag uit de praktijk. “S choon is gespecialiseerd in Barrett slokdarm. Deze ontstaat door langdurige reflux, waardoor het lichaam in de slokdarm een ander, zuurbestendig celtype aanmaakt, vergelijkbaar met dat in de dunne darm”, vertelt Fons van der Sommen, universitair docent in de VCA onderzoeksgroep binnen de faculteit Electrical Engineering van de TU Eindhoven. “Door die nieuwe bekleding is de slokdarm minder snel geïrriteerd, maar dat verhoogt ook het risico op weeffouten en kanker. Daarom worden ter controle om de paar jaar biopten genomen bij die patiënten.” Bij dit routineonderzoek worden aanwezige afwijkende cellen in een vroeg stadium vaak gemist. “De aandoening komt niet veel voor en het gaat om kleine weeffouten. Als je willekeurig biopten neemt, is de kans groot dat je ze over het hoofd ziet”, stelt Van der Sommen. “En als zo’n weeffout zich ontwikkelt tot tumor, kan deze door de slokdarmwand heen groeien. Bij behandeling moet dan een deel van de slokdarm verwijderd worden. De overlevingskans over vijf jaar daalt dan van 100% bij vroege detectie naar ongeveer 20%. Bovendien is het een ingrijpende operatie, die vaak resulteert in littekenweefsel.” Subtiele verschillen Van der Sommen ging aan de slag met het ontwikkelen van een algoritme en sprak hiervoor met artsen over subtiele verschillen in kleur en textuur van afwijkend weefsel. Vervolgens zette hij die subjectieve beschrijvingen om in getallen om te komen tot een model dat afwijkingen kon detecteren. In 2016 kwam de eerste doorbraak: het model evenaarde medisch experts in Barrett’s slokdarm qua detectie. “Qua lokalisatie bleef het model wat achter, daar was werk aan de winkel. Voor deep learning waren echter meer data nodig om het systeem te kunnen trainen en stabieler te maken. En alleen varen op data is niet verstandig, je moet ook domeinkennis toevoegen aan het model”, aldus Van der Sommen. De overstap naar deep learning en intensieve De voorgestelde bioptlocatie door het AI systeem van de TU Eindhoven versus de expert annotaties (groen = minimaal 1 expert, blauw = meer dan de helft van de experts). Het blauwe gedeelte is de zogeheten sweet spot: de ideale plek voor een biopt. samenwerking met de onderzoeksgroep van internationaal Barrett-expert professor Jacques Bergman (AMC) zorgde voor een tweede doorbraak. Hiervoor werd het model gevoed met meer dan 500.000 endoscoopplaatjes zonder kanker van het hele lichaam. “Dit voorwerk was bedoeld om het model alvast het onderscheid tussen maag, slokdarm en darm te leren. Vervolgens hebben we tests uitgevoerd op twee verschillende datasets, normale afwijkingen en afwijkingen die iedereen mist. Daarin deed het model het beter dan 53 MDL-artsen uit heel Europa.” De resultaten werden gepubliceerd in Gastroenterology en het onderzoek kreeg veel aandacht vanuit de hele wereld. Pilot Om het model klinisch te testen, startte Van der Sommen een pilot met twintig patiënten, tien met en tien zonder kanker, uit het AMC (gecompliceerde afwijkingen) en Catharinaziekenhuis (groot volume patiënten). “We lieten endoscopiefoto’s maken, die het model moest beoordelen. Ook hier waren de resultaten beter dan die van de gemiddelde MDL-arts, zowel qua detectie als qua lokalisatie.” De komende twee jaar gaat een van de grootste endoscoopfabrikanten ter wereld het model doorontwikkelen tot een marktrijp product. Onderwijl werkt Van der Sommen aan verdere verbetering. “Wellicht een algoritme dat aangeeft of een foto kwalitatief goed genoeg is. Of gaan werken met video’s, want bewegende beelden zeggen meer over de elasticiteit van het weefsel.” Alles om de detectiegraad te verhogen. “Voor de gemiddelde MDL-arts zijn dergelijke afwijkingen moeilijk te zien en dan helpt de computer mensenlevens sparen en levensjaren toevoegen. En met het model zijn uiteindelijk minder biopten nodig, wat de kans op nabloeding verkleint en tevens leidt tot lagere kosten en efficiëntere zorg.” 29
30 Online Touch Home