Een op machine learning gebaseerd risicovoorspellingsmodel voor hoofd-hals kankers (ML-HNC-Risk)

Stemgezondheid is naar voren gekomen als een prominent vraagstuk op het gebied van de volksgezondheid. Fonatie is afhankelijk van precieze neuromusculaire en respiratoire coördinatie, een fysiologisch proces dat vaak wordt aangetast door systemische veroudering, multimorbiditeit en neuromusculaire degeneratie. Dit complexe pathofysiologische samenspel maakt het in de klinische praktijk bijzonder moeilijk om vroege stadia van larynxmaligniteiten te onderscheiden van veelvoorkomende goedaardige stemstoornissen (bijvoorbeeld stembandcysten, granulomen van het stemproces en oedeem van Reinke). Omdat beide entiteiten zich doorgaans presenteren met aspecifieke heesheid of een globusgevoel, wordt de moeilijkheid van vroegtijdige screening en nauwkeurige differentiële diagnose aanzienlijk vergroot.

Momenteel is de diagnose van stemstoornissen sterk afhankelijk van laryngoscopie. Vanwege de ongelijke verdeling van medische middelen beschikken eerstelijns- en wijkgezondheidscentra echter over het algemeen niet over effectieve screeningsinstrumenten voor larynxmaligniteiten tijdens initiële consultaties, wat vaak leidt tot vertraagde doorverwijzingen voor hoogrisicopatiënten. Bovendien bestaat er een aanzienlijk verschil in expertise op het gebied van endoscopische interpretatie tussen verschillende niveaus van de gezondheidszorg. De visuele kenmerken van bepaalde precancereuze laesies (zoals dysplastische leukoplakie) en vroege stadia van maligniteiten overlappen aanzienlijk, wat resulteert in een hoog risico op gemiste diagnoses of onnodige biopten van goedaardige laesies. Daarom is het systematisch integreren van multidimensionale indicatoren - waaronder demografische gegevens (bijvoorbeeld leeftijd), rook- en alcoholgeschiedenis en klinische symptomatologie - in risicobeoordeling cruciaal voor de vroege opsporing van maligniteiten en de optimale toewijzing van gezondheidszorgmiddelen.

In recente jaren heeft op deep learning gebaseerde kunstmatige intelligentie (AI) een enorm potentieel getoond in het extraheren van kenmerken uit medische beelden, waarbij het in staat is subtiele morfologische texturen vast te leggen die voor het menselijk oog niet waarneembaar zijn. De oncogenese en progressie van larynxmaligniteiten worden echter gedreven door een samenspel van multidimensionale factoren. Wanneer ze worden geconfronteerd met complexe, real-world klinische scenario's, lijden unimodale beeldvormingsmodellen vaak aan verminderde generaliseerbaarheid en verhoogde fout-positieve percentages vanwege het ontbreken van de demografische, symptomatische en gedragsmatige blootstellingscontext van de patiënt. Real-world klinische besluitvorming is geen geïsoleerde beeldinterpretatietaak; het vereist eerder de systematische integratie van visuele kenmerken met multidimensionale klinische metadata. Het ontwikkelen van een intelligent diagnostisch raamwerk dat in staat is multimodale data te fusioneren, is daarom essentieel om de toepassingsknelpunten van huidige unimodale AI-beeldvormingsinstrumenten te overwinnen.

Om deze klinische pijnpunten en technische beperkingen aan te pakken, maakte deze studie gebruik van een nationale multicentercohort met ongeveer 11.000 patiënten met stemstoornissen om een tweefasen, multimodaal AI-risicostratificatie- en diagnostisch raamwerk te ontwikkelen en te valideren. In de eerste fase ontwikkelden de onderzoekers, door demografische kenmerken, gedragsmatige blootstellingen en klinische symptomatologie te integreren, een niet-invasief, kosteneffectief Klinisch Screeningsmodel. Dit instrument is ontworpen om eerstelijnszorginstellingen en patiënten te voorzien van een onmiddellijk, efficiënt vroegwaarschuwingssysteem voor maligniteiten. In de tweede fase, voortbouwend op deze initiële risicostratificatie, gebruikten de onderzoekers deep learning-algoritmen om microscopische visuele kenmerken te extraheren uit endoscopische beelden, wat resulteerde in een Multimodaal Diagnostisch Model. Dit model bereikt nauwkeurige multiclassificatie tussen larynxmaligniteiten, veelvoorkomende goedaardige stembandlaesies en normale larynxanatomie. Bovendien implementeerden de onderzoekers een op de cloud gebaseerde webapplicatie om real-time risicoschatting te vergemakkelijken.

Uiteindelijk beoogt deze studie, door het bieden van deze klinische AI-diagnostische assistent, de hiërarchische screening- en diagnostische trajecten voor stemstoornissen te optimaliseren, waardoor huisartsen en eerstelijns KNO-artsen in staat worden gesteld de kwaliteit van klinische besluitvorming en diagnostische nauwkeurigheid te verbeteren.