AI- en radiomics-experts bespraken de veelbelovende kenmerken van de twee benaderingen tijdens een ‘arenasessie’ op 26 juni tijdens SNMMI 2023.
Toekomst voor radiomics blijft rooskleurig
Tijdens een arenasessie op 26 januari bespraken de aanwezigen onder andere of (deep learning) dieplerende AI-algoritmen al dan niet conventionele radiomics-analyse kunnen vervangen. “AI heeft op dit moment officieel de status van buzzword in ons vakgebied en het is erg opwindend,” zei moderator Tyler Bradshaw, PhD, assistent-professor radiologie aan de Universiteit van Wisconsin-Madison. “Ongeveer 10 jaar geleden was er echter een ander buzzword dat veel van dezelfde beloften deed, en dat buzzword was radiomics.”
Radiomics, dat verwijst naar het extraheren van bruikbare gegevens uit medische beelden, is traditioneel uitgevoerd met behulp van machine-learning algoritmen die zijn getraind om specifieke beeldkenmerken te extraheren voor analyse. De techniek is toegepast om de diagnose, prognostiek en ondersteuning van klinische beslissingen te verbeteren, met als doel het leveren van precisiegeneeskunde, aldus de RSNA.
Omgekeerd definieert de RSNA deep learning als een klasse van machine learning die – in tegenstelling tot radiomics, waarvoor handmatige extractie van kenmerken uit invoerbeelden nodig is – kan ‘leren’ om deze kenmerken automatisch te detecteren.
“Er zijn veel voorbeelden in de literatuur die laten zien dat wanneer we deep learning-gebaseerde kenmerken gebruiken in plaats van handgemaakte traditionele radiomics-gebaseerde kenmerken, we in staat zijn om zeer hoge nauwkeurigheden te krijgen,” aldus Joyita Dutta, PhD, universitair hoofddocent biomedische techniek aan de Universiteit van Massachusetts Amherst.
Meer specifiek hebben neurale netwerken het potentieel om automatisch de delen van beelden te identificeren die het meest relevant zijn voor de betreffende taak, zei ze. Dit maakt afzonderlijke en geïsoleerde beeldsegmentatie overbodig, zegt ze. Met andere woorden, deep learning-benaderingen hebben het potentieel om minder belastend te zijn voor artsen, zei ze.
Toekomst van radiomics
Belangrijk is dat, volgens Irene Buvat, PhD, die stelde dat de toekomst voor radiomics rooskleurig blijft. Buvat, hoofd van het In Vivo Molecular Imaging lab in het Service Hospitalier Frédéric Joliot PET centrum in Orsay, Frankrijk, besprak een wedstrijd op de 2022 Medical Image Computing and Computer Assisted Intervention bijeenkomst. In een wedstrijd ontwikkelden de deelnemers verschillende modellen om de recidiefvrije overleving van patiënten met hoofd- en halskanker te voorspellen op basis van F-18 FDG- PET/CT-scans. De modellen werden getraind op 488 patiëntbeelden.
“Van de drie modellen die het best presteerden, waren alle gebaseerd op handgemaakte kenmerken,” zei ze. “Geen van hen werd overtroffen door deep-learning modellen.”
Dr. Eliot Siegel, professor en vicevoorzitter van onderzoeksinformatiesystemen aan de Universiteit van Maryland in Baltimore, voegde eraan toe dat je met de recente toename van AI-publicaties zou denken dat radiomica dood is. Hij merkte echter op dat radiomica buitengewoon actief is geweest en nog steeds is.
Vergeleken met traditionele radiomaticatechnieken hebben deep learning-modellen zeer grote datasets nodig, en deze zijn duur en tijdrovend om te ontwikkelen, aldus Siegel. Hij haalde de National Lung Screening Trial aan, waaraan 53.454 patiënten deelnamen om CT- en röntgenfoto’s van de borstkas te vergelijken voor het opsporen van kanker.
Het volledige artikel van Will Morton is te vinden op de website: AuntMinnie.com