Een internationaal team van artsen en datawetenschappers presenteert een AI-systeem dat tumoren bij longvlieskanker nauwkeuriger en consistenter opmeet dan artsen. Het gaat om metingen op CT-scans in de kliniek, die nu vaak per specialist verschillen. De resultaten zijn recent gedeeld in nieuw onderzoek. Het doel is snellere en objectievere behandelbeslissingen voor patiënten met longvlieskanker.
AI meet consistenter tumoren
Longvlieskanker groeit als een dunne laag rond de longen, waardoor opmeten lastig is. Artsen gebruiken nu handmatige maatvoering, wat leidt tot variatie in uitkomsten. Een algoritme kan dit standaardiseren en zo de foutmarge verkleinen. Dat is van belang voor het bepalen van ziekte-omvang en reactie op therapie.
Het onderzochte model is een deeplearning-systeem, een type kunstmatige intelligentie dat patronen leert uit veel voorbeelden. Het werkt op CT-scans, röntgenfoto’s in laagjes die samen een 3D-beeld vormen. De software doet segmentatie: het tekent de tumorgrenzen automatisch in het beeld. Zo kan het totale tumorvolume en de dikte langs de borstwand worden berekend.
In vergelijkingen met handmatige metingen mat het systeem preciezer en met minder onderlinge verschillen. Het model herkende subtiele veranderingen die voor het oog makkelijk te missen zijn. Dat verkleint het risico op onderschatting of overschatting van ziekte-activiteit. Voor patiënten kan dit direct invloed hebben op doorbehandelen of juist stoppen.
De winst zit niet alleen in nauwkeurigheid, maar ook in consistentie tussen ziekenhuizen. Waar uitkomsten per arts uiteen kunnen lopen, geeft het algoritme dezelfde uitkomst bij dezelfde scan. Dat maakt follow-up over langere tijd betrouwbaarder. Ook bij multicenter-onderzoek is een vaste meetmethode cruciaal.
Impact op behandelkeuzes
Nauwkeurige volumemeting helpt bij het kiezen van behandeling, zoals chemo-immunotherapie of operatie. Een objectieve basislijn maakt vergelijkingen in de tijd eerlijker. Dat is belangrijk om respons of progressie vast te stellen. Ook voor toelating tot klinische studies tellen eenduidige criteria zwaar mee.
In de dagelijkse praktijk kan de software het meetwerk versnellen. Minder handmatig intekenen scheelt tijd voor radiologen en longoncologen. De arts houdt regie, maar krijgt een voorgestelde meting die hij of zij kan controleren. Dit sluit aan bij het principe van menselijk toezicht op AI in de zorg.
Een duidelijker beeld van tumorbelasting kan ook de communicatie met patiënten verbeteren. Kleine veranderingen worden inzichtelijk met 3D-overlays. Dat helpt verwachtingen te managen en keuzes samen te maken. Transparante rapportages ondersteunen bovendien het overleg in het MDO, het multidisciplinair overleg.
In Nederland krijgen op het moment van schrijven naar schatting circa 500 mensen per jaar de diagnose longvlieskanker, vaak door vroegere blootstelling aan asbest.
Grenzen en benodigde validatie
De prestaties hangen af van de data waarop het model is getraind. Als scans vooral uit één type scanner of één ziekenhuis komen, kan de bruikbaarheid elders lager zijn. Multicenter-validatie met Europese data is daarom nodig. Ook kalibratie per ziekenhuis kan nodig blijven.
Er zijn lastige gevallen, zoals veel pleuravocht of littekenweefsel na eerdere behandelingen. Het algoritme kan die weefsels verwarren met tumor. In zulke situaties blijft een tweede blik van de arts noodzakelijk. Een veilige workflow vraagt om heldere waarschuwingen en terugvalopties.
Integratie in de bestaande beeldketen is een praktische drempel. Ziekenhuizen werken met DICOM-beelden en PACS, het systeem voor opslag en bekijken van scans. De AI moet daarin naadloos passen, met versleutelde data-uitwisseling. Logbestanden en versiebeheer zijn nodig voor controle achteraf.
Transparantie over hoe het model tot een meting komt, vergroot vertrouwen. Visuele uitleg, zoals warmtekaarten, kan helpen. Toch blijft uitlegbaarheid bij deep learning beperkt. Prospectieve studies in de kliniek moeten laten zien wat de echte meerwaarde is voor uitkomst en kosten.
AI-verordening stuurt zorgtoepassing
Onder de Europese AI-verordening (AI Act) valt medische AI in de categorie hoog risico. Dat betekent strenge eisen aan risicobeheer, datakwaliteit, menselijk toezicht en loggen van beslissingen. Fabrikanten moeten aantonen dat het systeem robuust en veilig is. Ziekenhuizen blijven verantwoordelijk voor passend gebruik.
Daarnaast geldt de Europese MDR voor medische hulpmiddelen. Software die diagnose of monitoring ondersteunt, heeft een CE-markering nodig. Prestaties en claims moeten met klinisch bewijs zijn onderbouwd. Dat vraagt om goed opgezette studies en onafhankelijke evaluatie.
De AVG is leidend bij het verwerken van CT-scans, die gezondheidsgegevens bevatten. Dataminimalisatie, pseudonimisering en versleuteling zijn verplicht. Vaak is een gegevensbeschermingseffectbeoordeling (DPIA) nodig. Delen van data over grenzen heen vraagt extra juridische en organisatorische waarborgen.
Voor Nederlandse instellingen spelen ook NEN 7510 (informatiebeveiliging) en inkoopkaders mee. Heldere afspraken over aansprakelijkheid, updates en support zijn essentieel. Audits en monitoring blijven nodig zolang de software in gebruik is. Zo komen techniek en beleid in balans.
Nederlandse adoptie en vervolg
Nederlandse ziekenhuizen gebruiken al op beperkte schaal AI in de radiologie. Integratie met bestaande leveranciers van beeldsystemen, zoals Philips of Sectra, maakt opschaling praktischer. Voorwaarde is dat het AI-systeem DICOM-standaarden volgt en binnen het EPD rapporteert. Training op Nederlandse data kan de prestaties verder verbeteren.
Vergoeding en richtlijnen bepalen mede het tempo van invoering. Zorginstituut Nederland en de NZa kijken naar bewezen uitkomstverbetering en doelmatigheid. Health technology assessment kan de kosten en baten in kaart brengen. Registratie via IKNL helpt effecten in de praktijk te volgen.
Betrokkenheid van patiëntenorganisaties is belangrijk voor draagvlak. Heldere uitleg over wat de software wel en niet doet hoort daarbij. Patiënten moeten weten dat de arts altijd eindverantwoordelijk blijft. Keuzehulpen kunnen dit transparant maken.
De volgende stap zijn Europese multicenter-studies met gedeelde protocollen. Open, goed geanonimiseerde referentiedata kunnen onafhankelijk toetsen mogelijk maken. Privacy-by-design en veilige rekencapaciteit blijven vooropstaan. Zo kan AI uitgroeien tot een betrouwbare meetstandaard bij longvlieskanker.