Nu artificiële intelligentie (AI) onderzoek steeds meer geïntegreerd raakt in het onderzoek en klinische praktijk binnen de oncologie, is de aanname al snel dat deze technieken overgenomen kunnen worden voor toepassing binnen de kinderoncologie. Helaas is dit niet altijd het geval, terwijl juist binnen deze kwetsbare patiëntenpopulatie AI ingezet kan worden om optimale genezing van kinderen met kanker te realiseren.
Uitdagingen in de kinderoncologie
Wat veel mensen niet weten is dat kinderkanker wezenlijk verschilt van de ziektes die we kennen binnen de volwassen populatie. Veel van de meest voorkomende kinderkankers kennen geen equivalent binnen de volwassen oncologie. Een voorbeeld hiervan is nierkanker: hoewel nierkanker ook bij volwassenen voorkomt, is dit de meest voorkomende tumor bij kinderen. Deze zogenaamde Wilms tumor is zeer zeldzaam bij volwassenen. Deze tumor bestaat uit niet goed ontwikkeld, embryonaal nierweefsel. Kenmerkend voor een Wilms tumor is de grote heterogeniteit in het tumorweefsel, met een mix van verschillende tumorcellen. Deze heterogeniteit binnen één tumorsoort leidt tot een grote spreiding in het risico op overlijden voor een kind. Daarnaast kunnen Wilms tumoren erg groot worden; een tumor die het grootste gedeelte van de buikholte in beslag neemt is geen zeldzaamheid. Wilms tumoren worden vaak gezien bij kinderen met specifieke syndromen. Dit is iets wat de kans op een tumor in beide nieren vergroot, met alle (langetermijn) gevolgen van dien. Dit zijn allemaal factoren waar bij de behandeling van Wilms tumor rekening mee gehouden moet worden.
Een ander veel voorkomende abdominale tumor in kinderen is het neuroblastoom: een tumor die zich ontwikkelt uit een bepaald type zenuwcellen. Deze zijn te vinden rondom de ruggenwervels of in de bijnieren. Deze lokalisatie is een belangrijke factor die neuroblastoom tot een lastig te behandelen ziekte maakt: de tumor verspreidt zich vaak rondom belangrijke vaten of organen. Gelukkig is het bij neuroblastoom vaak niet nodig om de gehele tumor te verwijderen, iets wat bij andere tumoren (in volwassenen) wel vaak nagestreefd wordt. Ook deze tumor brengt specifieke uitdagingen met zich mee.
Naast tumorspecifieke uitdagingen, zijn er problemen die specifiek voor kanker op de kinderleeftijd zijn. Waar bij volwassenen de effecten van behandeling op lange termijn minder op de voorgrond staan, is dit bij kinderen een essentieel vraagstuk. Je kan hierbij denken aan specifieke chemokuren die op latere leeftijd kans op hartfalen geven, of het proberen te behouden van zo veel mogelijk nierfunctie bij kinderen met een tumor beiderzijds. Een ander probleem specifiek voor kinderen speelt in de orthopedische oncologie: protheses of andere operatietechnieken moeten functioneel blijven in kinderen die nog zullen groeien. Deze kinderoncologie specifieke problemen vragen om nieuwe strategieën om opgelost te worden.
AI in de oncologie
AI heeft binnen de volwassen oncologie een steeds belangrijkere rol gekregen [1], [2]. Het is dan ook een logische stap om deze strategieën in te zetten bij kinderoncologie. Echter, naast de specifieke vraagstukken die spelen bij kinderen zijn er ook andere problemen in het vertalen van AI applicaties van de volwassen naar de kinderoncologie. Het grootste probleem hierbij is de zeldzaamheid van kinderoncologie. Dit zorgt voor kleine patiëntengroepen met onderling veel variatie in bijvoorbeeld de grootte van het kind, maar ook tumorspecifieke eigenschappen. Dit staat in sterk contrast met de volwassen oncologie waar vaak grote patiëntenaantallen voorhanden zijn.
Strategieën om optimaal gebruik te maken van AI binnen kinderoncologie
Gelukkig zijn er mogelijkheden om als kinderoncologisch vakgebied te profiteren van de kennis van AI in volwassen oncologie. Een logische eerste stap is het gebruiken van AI ontwikkeld voor volwassenen in een kinderoncologisch toepassing. Het is dan wel van belang om dit uitgebreid te valideren, zoals is gedaan in de studie van Yang. et al [3]. In dit onderzoek is een AI toepassing voor het diagnosticeren van tumoren in de schildklier, ontwikkeld op volwassenen, getest op een groep kinderen. Aangezien dit goed lijkt te transleren hopen de auteurs dit algoritme te kunnen gebruiken om het aantal schildklierbiopten bij kinderen te verminderen. Als er een kinderoncologisch probleem opgelost moet worden, is een belangrijke eerste stap het kijken naar vergelijkbare algoritmen die al beschikbaar zijn in de volwassen oncologie. Het moet dan wel worden aangetoond dat de AI toepassing voldoende goed werkt in de kindspecifieke situatie.
Een tweede strategie is het omzetten van technieken die veel gebruikt worden bij volwassenen naar kinderoncologische toepassingen. Segmenteren, het in stukjes opdelen van beelden, is iets wat veel wordt gebruikt bij volwassenen [1], [4]. Het direct gebruiken van deze toepassingen in kindertumoren werkt waarschijnlijk niet als het om andere tumor types gaat, maar de technieken die gebruikt worden kunnen wel goed omgezet worden naar het gebruik in kinderen. Onderzoek van Strijbis et al. segmenteert MRI scans van kinderen met retinoblastomen [5]. Retinoblastomen zijn een kind-specifieke tumor, maar segmentatie van MRI scans is iets waar binnen de volwassen oncologie veel ervaring mee is. Een beperking in deze strategie is dat je voor het ‘trainen’ van deze AI algoritmes over het algemeen veel data nodig hebt. Door de kleine patiëntengroepen met veel variatie kan dit voor kinderen uitdagend zijn. Omdat deze problemen minder relevant zijn bij volwassenen is het ontwikkelen van AI algoritmes die het goed doen in beperkte patiënten aantallen per uitstek iets wat goed onderzocht kan worden binnen de kinderoncologie.
Een laatste strategie is het ontwikkelen van nieuwe AI toepassingen specifiek voor kinderoncologie, gedreven door kinderoncologie specifieke toepassingen. Je kan hierbij denken aan onderzoek zoals uitgevoerd door Florkow et al [6]. Dit wordt gedreven door een specifieke noodzaak: CT-scans geven door ioniserende straling op latere leeftijd een grotere kans op kanker, dit wil je bij kinderen vermijden. Echter, er zijn CT-scans nodig om een behandelplan voor radiotherapie te maken. In het onderzoek wordt onderzocht of AI kan worden gebruikt om van de stralingsveilige MRI scans naar de benodigde CT-scans te gaan. Een dergelijke ontwikkeling zal minder snel binnen de volwassen oncologie ontwikkeld worden omdat dit probleem zo specifiek is voor de kinderoncologische populatie.
AI en de missie in kinderoncologie
Er zijn dus voldoende mogelijkheden om de kwetsbare kinderoncologische populatie optimaal te laten profiteren van AI oplossingen. Hierbij is het belangrijk dat er gekeken wordt naar de volwassen oncologie: wat kunnen we leren van dit meer ontwikkelde veld en wat moet specifiek voor de kinderoncologie uitgezocht worden? Hierbij is het van belang om te werken binnen de kaders van kinderoncologie, waarin de belangrijkste beperkingen de kleine patiëntenpopulaties zijn. Samengevat is AI in kinderoncologie een belangrijke tool om het ultieme doel binnen de kinderoncologie te behalen: ieder kind met kanker genezen met een optimale kwaliteit van leven.
Referenties
- [1] G. Litjens, “A survey on deep learning in medical image analysis”,” Med. Image Anal., vol. 42, pp. 60–88, 2017.
- [2] K. A. Tran, O. Kondrashova, A. Bradley, E. D. Williams, J. V. Pearson, and N. Waddell, “Deep learning in cancer diagnosis, prognosis and treatment selection,” Genome Med., vol. 13, no. 1, p. 152, Sep. 2021, doi: 10.1186/s13073-021-00968-x.
- [3] J. Yang et al., “Thyroid Nodules on Ultrasound in Children and Young Adults: Comparison of Diagnostic Performance of Radiologists’ Impressions, ACR TI-RADS, and a Deep Learning Algorithm.,” AJR Am. J. Roentgenol., vol. 220, no. 3, pp. 408–417, Mar. 2023, doi: 10.2214/AJR.22.28231.
- [4] “Deep learning in histopathology: A review”, doi: 10.1002/widm.1439.
- [5] V. I. J. Strijbis et al., “Multi-view convolutional neural networks for automated ocular structure and tumor segmentation in retinoblastoma,” Sci. Rep., vol. 11, no. 1, 2021, doi: 10.1038/s41598-021-93905-2.[6] M. C. Florkow, “Deep learning-enabled MRIonlyphoton and proton therapy treatment planning forpaediatric abdominal tumours”,” Radiother. AndOncology, vol. 153, pp. 220–227, 2020.
