RSNA 2023, de jaarlijkse bijeenkomst van de Radiological Society of North America (RSNA) vindt deze week plaats in Chicago, waar recente onderzoeksvooruitgang en productontwikkelingen op alle gebieden van de radiologie worden getoond. Het evenement van dit jaar omvat tal van papers, posters, cursussen en onderwijsexposities gericht op toepassingen van kunstmatige intelligentie (AI) en machine learning. Hier vindt u een kleine selectie van de onderzoeken die worden gepresenteerd.

Vaststellen van ADHD-kenmerken op basis van MRI-scans van de hersenen

Attention Deficit Hyperactivity Disorder (ADHD) is een veel voorkomende aandoening die het gedrag van een persoon beïnvloedt. Kinderen met ADHD kunnen moeite hebben met het concentreren, het beheersen van impulsief gedrag of het reguleren van activiteit. Vroegtijdige diagnose en interventie zijn van cruciaal belang, maar ADHD is moeilijk te diagnosticeren en is afhankelijk van subjectieve, zelfgerapporteerde onderzoeken.

Nu heeft een onderzoeksteam van de Universiteit van Californië in San Francisco (UCSF) heeft AI gebruikt om MRI-hersenscans van adolescenten met en zonder ADHD te analyseren, waarbij significante verschillen werden gevonden in negen witte stofbanen in de hersenen bij personen met ADHD. Dit innovatieve gebruik van technologie benadrukt het evoluerende landschap van medische beeldvorming, een gebied waar geavanceerde onderwijsprogramma's op het gebied van medische beeldvorming spelen een cruciale rol bij het opleiden van de volgende generatie experts.”

De onderzoekers gebruikten hersenscangegevens van 1704 individuen in de Adolescent Brain Cognitive Development (ABCD) Studie, inclusief proefpersonen met en zonder ADHD. Uit de diffusie-gewogen beeldvormingsgegevens (DWI) hebben ze fractionele anisotropie (FA) metingen gehaald, een maatstaf voor de waterdiffusie langs de vezels van de witte stofkanalen, langs 30 belangrijke gebieden in de hersenen.

Ze gebruikten FA-gegevens van 1371 individuen als input om een ​​deep learning AI-model te trainen, en testten het model op 333 patiënten, waaronder 193 met de diagnose ADHD en 140 zonder ADHD. Uit het AI-model bleek dat bij patiënten met ADHD de FA-waarden significant verhoogd waren in negen witte stofbanen.

“Deze verschillen in MRI-signaturen bij personen met ADHD zijn nog nooit eerder gezien op dit detailniveau”, zegt Justin Huynh van UCSF en het Carle Illinois College of Medicine in Urbana-Champaign. “Over het algemeen vallen de afwijkingen in de negen witte stofbanen samen met de symptomen van ADHD. Deze methode biedt een veelbelovende stap in de richting van het vinden van beeldvormende biomarkers die kunnen worden gebruikt om ADHD te diagnosticeren in een kwantitatief, objectief diagnostisch raamwerk.”

Identificatie van niet-rokers met een hoog risico op het ontwikkelen van longkanker

Longkanker is wereldwijd de meest voorkomende doodsoorzaak door kanker. In de VS wordt screening op longkanker met behulp van een lage dosis CT aanbevolen voor huidige of recente sigarettenrokers, maar niet voor “nooit-rokers” – zij die nooit of heel weinig gerookt hebben. Ongeveer 10-20% van de longkankers komt echter voor bij dergelijke nooit-rokers, en het aantal kankergevallen in deze groep neemt toe. En zonder vroege detectie door middel van screening vertonen nooit-rokers vaak meer gevorderde longkanker dan degenen die wel roken.

Om deze situatie te verbeteren, heeft een team van het Cardiovascular Imaging Research Center (IARC) bij MGH en de Harvard Medical School testen of een deep learning-model nooit-rokers met een hoog risico op longkanker kan identificeren, op basis van routinematige röntgenfoto's van de borstkas. “Een groot voordeel van onze aanpak is dat er slechts één röntgenfoto van de thorax nodig is, wat een van de meest voorkomende tests in de geneeskunde is en algemeen beschikbaar is in het elektronische medische dossier”, zegt hoofdauteur Anika Walia.

De onderzoekers ontwikkelden hun CXR-Lung-Risk-model met behulp van 147,497 röntgenfoto’s van de borstkas van 40,643 asymptomatische rokers en nooit-rokers uit de Proef naar kankerscreening bij PLCO. Ze valideerden het model in een aparte groep niet-rokers die routinematige röntgenfoto's van de thorax lieten maken. Van de 17,407 patiënten in het onderzoek classificeerde het model 28% als hoog risico. In zes jaar follow-up ontwikkelde 2.9% van het totale cohort longkanker. Degenen in de hoogrisicogroep overschreden ruimschoots de zesjaarlijkse risicodrempel van 1.3% waarbij screening wordt aanbevolen.

Het team merkt op dat patiënten in de hoogrisicogroep, na correctie voor leeftijd, geslacht, ras en klinische factoren, nog steeds een 2.1 keer groter risico hadden om longkanker te ontwikkelen dan degenen die in de laagrisicogroep waren ingedeeld.

Het elimineren van raciale vooroordelen bij de risicobeoordeling van borstkanker

Onderzoekers van het Massachusetts General Hospital (MGH) hebben een deep learning-model ontwikkeld dat zowel ductaal carcinoma in situ (DCIS) als invasief borstcarcinoom nauwkeurig voorspelt met behulp van alleen biomarkers uit mammografische beelden. Belangrijk is dat het nieuwe model even goed werkte voor patiënten van meerdere rassen.

Traditionele modellen voor risicobeoordeling van borstkanker vertonen slechte prestaties bij verschillende rassen, waarschijnlijk als gevolg van de populatiegegevens die zijn gebruikt om het model te maken. “Verschillende van de veelgebruikte modellen zijn ontwikkeld op overwegend Europese blanke bevolkingsgroepen”, legt hoofdauteur uit Lesley Lam. Maar volgens de American Cancer Society hebben zwarte vrouwen het laagste relatieve vijfjaarsoverlevingspercentage voor borstkanker onder alle raciale en etnische groepen – wat de essentiële behoefte aan risicomodellen zonder raciale vooroordelen benadrukt.

In een onderzoek op meerdere locaties beoordeelden Lamb en collega's de prestaties van het model bij het voorspellen van invasieve borstkanker en DCIS, borstkanker in een vroeg stadium, over meerdere rassen. Ze omvatten 129,340 routinematige bilaterale screeningmammografieën uitgevoerd bij 71,479 vrouwen, met follow-upgegevens over vijf jaar. De studiegroep bestond uit blanke (106,839 examens), zwarte (6154 examens) en Aziatische (6435 examens) vrouwen, evenals vrouwen die zichzelf rapporteerden als andere rassen (6257 examens) en vrouwen van een onbekend ras (3655 examens).

Het nieuwe model presteerde consequent beter dan traditionele risicomodellen bij het voorspellen van het risico op het ontwikkelen van borstkanker, met een voorspellend percentage van 0.71 voor zowel DCIS als invasieve kanker bij alle rassen. Het model bereikte voor het voorspellen van DCIS een oppervlakte onder de ROC-curve (AUC) van 0.77 bij niet-blanke patiënten en 0.71 bij blanke patiënten, terwijl voor het voorspellen van invasieve kanker de AUC 0.72 was bij niet-blanke patiënten en 0.71 bij blanke patiënten. Het team merkt op dat traditionele risicomodellen AUC's van 0.59-0.62 vertoonden voor blanke vrouwen, met veel lagere prestaties voor die van andere rassen.

"Het model is in staat om de volledige diversiteit aan subtiele beeldvormende biomarkers in het mammogram te vertalen, verder dan wat het blote oog kan zien, die het toekomstige risico van een vrouw op zowel DCIS als invasieve borstkanker kunnen voorspellen", zegt Lamb. “Het diepgaande lerende risicomodel met alleen afbeeldingen kan een betere toegang bieden tot een nauwkeurigere, rechtvaardigere en goedkopere risicobeoordeling.”

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://physicsworld.com/a/rsna-2023-showcases-ai-in-radiology/