Kunstmatige intelligentie versus LIRADS bij het diagnosticeren van HCC op CT

Leverkanker is de zesde meest gediagnosticeerde kanker en de vierde belangrijkste doodsoorzaak door kanker wereldwijd. De belangrijkste ziektelast wordt gevonden in Oost-Azië, waar de naar leeftijd gestandaardiseerde incidentie respectievelijk 26,8 en 8,7 per 100.000 bedraagt ​​bij mannen en vrouwen. In 2017, in de top 10 van meest voorkomende kankers in Hong Kong, had leverkanker het hoogste sterftecijfer van 84,6%. De vijfjaarsoverlevingspercentages van hepatocellulair carcinoom (HCC) verschillen sterk met de stadiëring van de ziekte, variërend van 91,5% bij <2 cm met chirurgische resectie tot 11% bij >5 cm met betrokkenheid van aangrenzende organen. De vroege en nauwkeurige diagnose van HCC is van het grootste belang bij het verbeteren van de overleving van kanker.

In tegenstelling tot andere veel voorkomende kankers, wordt HCC gediagnosticeerd door zeer karakteristieke dynamische patronen op contrastversterkte dwarsdoorsnedebeeldvorming, zonder dat pathologische bevestiging nodig is. Het Liver Imaging Reporting and Data System (LI-RADS) is opgericht om het lexicon, de interpretatie en de communicatie van radiologische bevindingen met betrekking tot HCC te standaardiseren. Echter, tot 49% van de knobbeltjes geïdentificeerd in computertomografie (CT) in de risicopopulatie wordt door LI-RADS gecategoriseerd als onbepaald, waardoor het stellen van de diagnose verder wordt vertraagd.

Er zijn momenteel onderzoeken die pionieren in de toepassing van kunstmatige intelligentie (AI) op het gebied van medische beeldvorming. Een interdisciplinair onderzoeksteam van clinici, radiologen en statistische wetenschappers heeft op basis van de klinische en radiologische database van meer dan 4.000 leverbeelden een AI-algoritme ontwikkeld om leverkanker nauwkeurig te diagnosticeren op CT. Op basis van retrospectieve gegevens bleek uit een tussentijdse analyse dat het AI-algoritme een diagnostische nauwkeurigheid van >97% en een negatief voorspellende waarde van >99% kon bereiken.

Kan dit nieuwe prototype AI-algoritme betere prestaties leveren bij het diagnosticeren van HCC in de risicopopulatie in vergelijking met LI-RADS? Deze vraag is vooral relevant wanneer de sleutel tot verbeterde overleving een vroege diagnose is, waarvan AI mogelijk kan verbeteren. Momenteel worden fouten in de rapportage door radiologen geschat op 3-5% op dagelijkse basis, wat neerkomt op 40 miljoen fouten per jaar wereldwijd. Dit prototype-algoritme kan een oplossing zijn om menselijke misinterpretatie van radiologische bevindingen te verminderen.