Algoritme-ondersteunde radiotherapie: AI verbetert de nauwkeurigheid van longkankerbehandeling
Een team onderzoekers van Northwestern University heeft een AI-tool ontwikkeld die de effectiviteit van longkankerbestraling aanzienlijk zou kunnen verbeteren. Het systeem, genaamd iSeg, kan tumoren automatisch en nauwkeurig lokaliseren op CT-scans, waarbij zelfs rekening wordt gehouden met de ademhalingsbewegingen van de patiënt. De technologie zou niet alleen de behandelplanning kunnen versnellen, maar ook fouten kunnen helpen voorkomen die leiden tot slechtere behandelresultaten.
Effectieve radiotherapie vereist millimeterprecisie. Oncologen moeten eerst de tumor lokaliseren en de grenzen ervan in kaart brengen op CT-scans – een proces dat segmentatie wordt genoemd. Dit is nauwgezet en enigszins subjectief werk dat per arts verschilt en kan leiden tot het missen van delen van de tumor.
Een nieuwe tool genaamd iSeg , ontwikkeld door onderzoekers bij Northwestern Medicine, is gebaseerd op deep learning-technologie en analyseert 3D CT-scans in realtime, waarbij zelfs rekening wordt gehouden met tumorbewegingen die verband houden met de ademhaling.
"We zijn een stap dichter bij een behandeling van kanker die nog preciezer zal zijn dan we ons tien jaar geleden maar konden voorstellen", aldus dr. Mohamed Abazeed , hoogleraar radiotherapie en leider van het onderzoeksteam.
Het doel van de technologie is om artsen te helpen betere therapeutische beslissingen te nemen, vooral wanneer tijd en toegang tot ervaren specialisten van belang zijn.
Om iSeg te creëren, trainde het team het algoritme op honderden longkankerpatiënten die behandeld werden in negen centra, waaronder Northwestern Medicine en de Cleveland Clinic. Aan de hand van de handgetekende contouren van tumoren door artsen leerde de AI de grenzen ervan te herkennen op CT-scans.
Het systeem werd vervolgens getest met nieuwe gegevens: scans van patiënten die het nog niet eerder had gezien. De resultaten? De iSeg presteerde net zo goed als de experts en ontdekte in veel gevallen gebieden die het menselijk oog mogelijk had gemist.
Bovendien is gebleken dat fragmenten die artsen over het hoofd zien, samenhangen met slechtere behandelresultaten als ze niet worden meegenomen in de radiotherapie.
- Een nauwkeurige afstemming van de behandeling op de tumor vormt de basis voor veilige en effectieve radiotherapie, waarbij zelfs kleine fouten de tumorbestrijding kunnen beïnvloeden of onnodige toxiciteit kunnen veroorzaken, legt Dr. Abazeed uit.
De eerste auteur van het onderzoek, Sagnik Sarkar , voegt toe:
Door het automatiseren en standaardiseren van tumorcontouring kan onze AI-tool helpen vertragingen te verminderen, de integriteit in ziekenhuizen te waarborgen en mogelijk gebieden te identificeren die artsen mogelijk hebben gemist, wat uiteindelijk de patiëntenzorg en klinische resultaten verbetert.
Het team test momenteel iSeg in een klinische setting, waarbij de AI-prestaties worden vergeleken met het realtime werk van menselijke artsen. Ze zijn ook van plan het algoritme uit te breiden naar andere vormen van kanker, waaronder lever-, hersen- en prostaatkanker, en naar andere beeldvormende technieken, zoals MRI en PET.
"Deze technologie heeft de potentie om te helpen bij het leveren van consistentere zorg binnen instellingen, en wij geloven dat klinische implementatie binnen een paar jaar mogelijk zou kunnen zijn", aldus Dr. Troy Teo , medeauteur van de studie.
iSeg kan een belangrijke rol spelen, vooral in ziekenhuizen die geen toegang hebben tot zeer gespecialiseerde oncologieteams. Met gestandaardiseerde, automatische tumorsegmentatie kan radiotherapie sneller worden gepland en effectiever worden toegediend, ongeacht de locatie.
Zoals de auteurs van het onderzoek benadrukken, is het werk nog niet klaar. Maar de richting is duidelijk: meer precisie, snellere beslissingen en minder fouten – in het voordeel van kankerpatiënten wereldwijd.
Bron: medicalxpress.com
Bijgewerkt: 03/07/2025 18:30
politykazdrowotna
