Borstkanker blijft wereldwijd een van de grootste bedreigingen voor vrouwen. Hoe vroeger de ziekte wordt opgespoord, hoe groter de overlevingskans. Mammografieën zijn daarbij al decennialang het belangrijkste wapen. Toch botsen radiologen vaak op een probleem: soms verbergt dicht borstweefsel de tumor, of zijn de randen te vaag om een juiste diagnose te stellen. Het gevolg? Vertraagde of verkeerde beslissingen.
Een nieuw spoor: Van pixels naar data
Onderzoekers besloten het roer om te gooien en keken niet alleen naar de beelden, maar naar de verborgen data erachter. Radiomics, een relatief jonge techniek, vertaalt medische beelden in talloze meetbare kenmerken: vormen, texturen, intensiteit. Waar het menselijk oog details mist, ziet de computer patronen.
Die gegevens werden vervolgens gevoed in machine-learning-modellen. Het doel? Een systeem bouwen dat leert om normaal, goedaardig en kwaadaardig weefsel van elkaar te onderscheiden.
|
Developing a predictive model for breast cancer detection using radiomics-based mammography and machine learning - Egyptian Journal of Radiology and Nuclear MedicineThis study focuses on classifying benign and malignant breast lesions in mammography images using BI-RADS, combining ten feature selection and classification methods to improve diagnostic accuracy. These advanced techniques aim to overcome current challenges in breast cancer diagnosis. |
Het experiment: Honderden beelden, talloze berekeningen
Het onderzoeksteam analyseerde mammografiebeelden van 218 vrouwen. In totaal goed voor 798 opnames, waarvan de meeste normaal, maar ook tientallen met goedaardige afwijkingen en ruim honderd met kwaadaardige tumoren.
Uit elk beeld werden 107 kenmerken gehaald: Van textuur tot vorm, van grijswaarde tot subtiele patronen die een radioloog nooit allemaal tegelijk kan verwerken. Vervolgens werden verschillende algoritmes getest om te ontdekken welke combinaties de hoogste betrouwbaarheid opleverden.
De winnende combinatie
Na talloze berekeningen sprong één duo eruit: PCA (principal component analysis) in combinatie met het Extra Trees-algoritme. Dit model bereikte een nauwkeurigheid van 96% en scoorde bijna perfect op de zogenaamde AUC-waarde, die de voorspellende kracht meet.
Ook andere combinaties deden het goed, zoals PCA + Random Forest en PCA + Gradient Boosting. Maar Extra Trees bleek het meest stabiel, vooral bij het correct herkennen van zowel tumoren als normaal weefsel.
Waarom dit belangrijk is
Voor patiënten kan dit verschil levens redden. Een model dat beter onderscheid maakt tussen goedaardig en kwaadaardig voorkomt onnodige biopsieën en geeft meer zekerheid bij twijfelgevallen. Bovendien kan zo’n AI-hulpmiddel radiologen ondersteunen, zeker in landen waar een tekort is aan ervaren specialisten.
De keerzijde: Beperkingen en uitdagingen
Toch waarschuwen de onderzoekers voor te snelle conclusies. De studie was relatief klein en uitgevoerd in één regio. Daarnaast werden er geen klinische of genetische gegevens meegenomen, die vaak cruciaal zijn om het volledige plaatje te begrijpen. Het model moet dus verder getest worden in grotere, internationale groepen voordat het in ziekenhuizen kan worden toegepast.
Vooruitblik: De radioloog en de computer, samen sterker
De boodschap is duidelijk: de toekomst van borstkankerdetectie ligt waarschijnlijk in de samenwerking tussen mens en machine. Radiologen behouden hun rol als eindbeslisser, maar met AI en radiomics aan hun zijde beschikken ze over een krachtig kompas. Een kompas dat kan leiden tot eerdere diagnoses, minder fouten en vooral: meer levens die gered worden.
