Inleiding
Patiënten met Barrett’s oesophagus (BE) hebben een verhoogde kans op het ontwikkelen van een maligniteit in de slokdarm. De slokdarm is nomaliter bekleed met plaveiselcelepitheel, maar bij een Barrett’s oesophagus is dit epitheel vervangen door metaplastisch epitheel. Juist in dit metaplastische epitheel ontstaan vaker maligniteiten.
BE komt het meest voor bij patiënten met een lange voorgeschiedenis van refluxziekte, waarbij het maagzuur al die tijd is teruggelopen in de slokdarm. De slokdarm is hierdoor beschadigd geraakt en uiteindelijk is een chronische ontsteking ontstaan. Minder dan 5% van de mensen met een Barrett’s oesophagus ontwikkelt uiteindelijk slokdarmkanker. Dat is een relatief kleine groep mensen. Echter, slokdarmkanker is een ernstige aandoening. Ondanks agressieve chirurgische behandeling is de 5-jaarsoverleving slechts 24%. Een belangrijke oorzaak hiervoor is dat slokdarmkanker vaak pas in een laat stadium wordt ontdekt. Wanneer dit in een eerder stadium wordt ontdekt, bestaat nog mogelijkheid tot endoscopisch behandelen, wat de patiënt een grote chirurgische ingreep met hoge mortaliteit en morbiditeit bespaart.
Om het ontstaan van kanker in een vroeg stadium op te sporen, wordt de slokdarm van patiënten met een BE daarom regelmatig gecontroleerd middels een endoscopie. Aan deze controles, ook vaak surveillance genoemd, zit een keerzijde. Omdat een BE slechts zelden overgaat in een neoplasie, zien endoscopisten, in deze studie MDL-artsen, niet vaak een neoplasie in een Barrett’s oesophagus. Door deze relatieve onbekendheid met neoplasieën in een vroeg stadium in de slokdarm en door de subtiliteit van de neoplasie, worden zij niet altijd door de endoscopist herkend.
Om de accuratesse van de opsporing van neoplasieën bij BE te verhogen is door Jeroen de Groof et al gekeken naar het inzetten van ‘artificial intelligence’ of ‘machine learning’. Het doel van de studie was om een tool te ontwikkelen voor de primaire detectie van neoplastische laesies. Deze tools worden ‘computer aided detection’ (CAD) systemen genoemd.
Ontwikkeling van het deep-learning systeem
Om het systeem te ontwikkelen werd gebruik gemaakt van vijf verschillende endoscopie datasets. Het systeem werd getraind met drie van de vijf datasets door middel van 494.364 verschillende gelabelde endoscopische afbeeldingen. De afbeeldingen besloegen alle verschillende darmsegmenten. Daarna werden 1704 unieke afbeeldingen in hoge resolutie aangeboden. Al deze afbeeldingen toonden een reeds bevestigde neoplasie of niet dysplastische Barrett’s oesophagus, gevisualiseerd met high definition wit licht endoscopie. Deze afbeeldingen werden verkregen van 669 unieke patiënten.
Het systeem werd vervolgens getoetst door de overige twee datasets aan het systeem ter beoordeling aan te bieden. De ene set werd uitsluitend door het CAD-systeem beoordeeld, de andere dataset werd zowel door het CAD-systeem als door 53 endoscopisten beoordeeld, om als benchmark te dienen. De endoscopisten in de studie waren afkomstig uit vier verschillende landen en hadden een uiteenlopend aantal jaren werkervaring.
Resultaten
In de dataset die uitsluitend door het CAD-systeem werd geclassificeerd, classificeerde het CAD-systeem de afbeeldingen met al dan niet een dysplastische Barrett’s oesophagus met 89% accuratesse, 90% sensitiviteit en 88% specificiteit. In de dataset die door zowel het CAD-systeem als de endoscopisten werd beoordeeld was de accuratesse respectievelijk 88% vs 73%, sensitiviteit 93% vs 72% en specificiteit 83% vs 74%. Niet alleen scoorde het CAD-systeem hoger dan de 53 endoscopisten gezamenlijk, het systeem scoorde ook hoger dan elk van de individuele endoscopisten.
Klinische implicaties
Een CAD-systeem bij het beoordelen van endoscopische afbeeldingen zorgt ervoor dat de uitkomst van het onderzoek minder afhankelijk is van de endoscopist dan in de huidige situatie. Door de in deze studie beschreven hoge accuratesse zou het CAD systeem klinisch ingezet kunnen worden. Met name in de algemene (perifere) ziekenhuizen waar geen specifieke BE expertise aanwezig is. Juist in deze ziekenhuizen worden minder BE’s gezien en daardoor nog minder vroege stadia van maligniteiten in een BE. De vroege maligniteiten geven vaak slechts subtiele afwijkingen. Om de externe validiteit van deze studie te vergroten werden juist afbeeldingen van subtiele laesies gebruikt. In deze laesies is het extra uitdagend om het onderscheid tussen een niet-dysplastische laesie of een neoplasie in een vroeg stadium te maken.
Klinisch gezien zijn meer risico’s verbonden aan een vals-negatieve uitslag. Met andere woorden: het CAD systeem geeft aan dat er geen sprake is van neoplasie, terwijl dit wel het geval is. Het CAD-systeem gaf in de dataset, waarbij het CAD-systeem werd vergeleken met de endoscopisten, slechts bij 3 afbeeldingen met neoplasie ten onrechte aan dat er géén sprake was van neoplasie. Van de minder ervaren endoscopisten stelde eveneens 51% een onjuiste diagnose. Het systeem zou met name hierin nog moeten groeien door het trainen met nog meer data. De gevolgen van een vals-positieve uitslag zijn minder groot. Tijdens de scopie worden namelijk biopten genomen van verdachte laesies. In het geval van een vals-positieve beoordeling zou dus een biopt worden genomen van weefsel dat later goedaardig blijkt te zijn.
In de klinische praktijk kunnen endoscopisten stilstaande afbeeldingen maken van subtiele laesies. Deze afbeeldingen kunnen worden aangeboden aan het CAD-systeem voor beoordeling. Gezien de korte computationele tijd is het haalbaar om de afbeeldingen in real-time te laten beoordelen. Dit zou in de toekomst kunnen betekenen dat juist in ziekenhuizen zonder specifieke expertise op het gebied van BE deze subtiele, mogelijk maligne afwijkingen toch goed worden herkend. Door de signalering van maligniteiten te verbeteren, kan ook de overlevingskans worden beïnvloed.
Naar aanleiding van bovenstaande resultaten loopt inmiddels een pilotstudie om de ervaringen hiermee in de praktijk te evalueren.
Toon alle referenties
