Kunstmatige intelligentie kan razendsnel data uit CT-scans integreren en zo binnen een seconde ‘beslissen’ hoe een tumor zich zal ontwikkelen en of deze een respons zal geven op immunotherapie. Prof. dr. Hugo Aerts, die de toepassing van kunstmatige intelligentie onderzoekt, ziet grote voordelen: er kan veel tijd worden bespaard en patiënten hoeven geen invasieve biopsie te ondergaan.
“Immunotherapie is duur en werkt bovendien maar bij een deel van de patiënten die dit krijgen voor bijvoorbeeld longcarcinoom of melanoom. De toepassing van kunstmatige intelligentie (artificial intelligence; AI) kan helpen om te voorspellen bij welke patiënten immunotherapie zal aanslaan of niet”, zegt Hugo Aerts. Hij is als hoogleraar werkzaam aan het Maastricht UMC+, Dana-Farber Cancer Institute en de Harvard University (Boston, Verenigde Staten). Hij pendelt heen en weer tussen Nederland en de Verenigde Staten, waarbij hij het grootste deel van de tijd in Amerika verblijft. Gedreven vertelt hij, soms zoekend naar de juiste woorden in het Nederlands, over zijn onderzoek naar AI als biomarker bij de behandeling van longcarcinoom en melanoom.
Uit onderzoek dat hij uitvoerde blijkt dat AI op basis van standaard CT-scans richting kan geven bij de beslissing om bij patiënten met deze aandoeningen al dan niet immunotherapie te geven. “Daar zijn grote voordelen aan verbonden. Met AI kunnen beoordelingen die voor radiologen en pathologen complex zijn, worden uitgevoerd met een snelheid die het menselijk kunnen verre overtreft.”
Biomarkers
Waarom AI bij immunotherapie? Dat vergt wat achtergrondinformatie. Op dit moment wordt immunotherapie beschouwd als een van de grootste doorbraken bij de behandeling van kanker. Zowel de EMA als de FDA heeft anti-PD-1-antilichamen goedgekeurd voor de behandeling van patiënten met melanoom of met niet-kleincellig longcarcinoom (NSCLC), bij wie de ziekte niet operabel is of gemetastaseerd en bij wie de ziekte is gevorderd ondanks behandeling met op platina gebaseerde chemotherapie of met een hoge expressie van PD-L1.
In tegenstelling tot de traditionele kankerbehandelingen, versterken anti-PD-1-antilichamen de immuunrespons gericht tegen de tumor. Programmed cell death protein 1 (PD-1) en programmed death protein ligand 1 (PD-L1) zijn eiwitten die tumoren in stelling kunnen brengen om immuuncellen die in het geweer zijn gekomen tegen de tumoren, onwerkzaam te maken. Door deze zogeheten checkpointeiwitten te remmen, wordt juist een krachtige immuunrespons opgewekt tegen tumoren.
Ondanks het succes hiervan, heeft slechts een deel van de patiënten een goede respons op immunotherapie. Onderzoek naar goede voorspellende biomarkers is daarom nodig. Omdat immunotherapie duur is en toxiciteit met zich kan meebrengen, is er behoefte om patiënten voor de behandeling al te kunnen indelen op de waarschijnlijkheid dat ze baat zullen hebben van deze therapie. Verschillende biomarkers zijn met wisselend succes al bestudeerd, waaronder PD-L1-spiegels, aanwezigheid van tumorinfiltrerende lymfocyten, genetische mutaties en inflammatoire cytokines.
Tijdrovend
Een van de traditionele methoden om de ontwikkeling van tumoren in beeld te brengen is een biopsie, een invasieve methode dus. Biopten vertegenwoordigen echter slechts een stukje van de tumor, terwijl beeldvormende technieken de hele tumor en eventuele metastasen in kaart brengen. Dit is bij immunotherapie bijzonder belangrijk; verschillende laesies kunnen zich in verschillende microgebieden bevinden, wat mogelijk kan leiden tot een heterogene respons.
De traditionele manier om de ziekteprogressie en de respons op immunotherapie te evalueren aan de hand van beeldvormende technieken, zoals CT-scans, is erg tijdrovend. AI toegepast op CT-scans, ook wel radiomics genoemd, kan veel tijd besparen, zegt Aerts. “Kunstmatige intelligentie heeft twee grote voordelen. Met behulp van deep learning is het mogelijk om complexe taken van radiologen en pathologen bij de beoordeling van tumoren te automatiseren en snel uit te voeren op computers. Het tweede voordeel is dat AI ver uitstijgt boven het menselijk kunnen. In een seconde kan AI een hele berg data analyseren en daaraan een conclusie verbinden, terwijl dit voor mensen veel tijd kost. Bovendien kan AI in combinatie met CT-scans veel gedetailleerder de tumoreigenschappen vaststellen dan mogelijk is met het menselijk oog.”
Reproduceerbaarheid
Een groot verschil tussen menselijke beoordeling van een tumor en de wijze waarop AI dat doet, is de reproduceerbaarheid. “AI zal tumoren steeds hetzelfde beoordelen en altijd in dezelfde omstandigheden dezelfde conclusies trekken. Bij mensen is sprake van subjectiviteit. Stel dat de heterogeniteit van een tumor op een schaal van 1 tot 5 moet worden gescoord, dan kan die score per beoordelaar verschillen. Dat is interindividuele variatie. Maar je hebt ook intra-individuele variatie. Dezelfde persoon kan op grond van dezelfde tumorkenmerken vandaag tot een andere score komen dan bijvoorbeeld een week eerder.”
Van belang is dat AI ‘gevoed’ wordt, legt Aerts uit. “Je kunt de computer leren om tumoren te herkennen aan de hand van een algoritme. Je leert aan de hand van voorbeelddata, van patiënten waarvan we weten of ze een goede of slechte respons hadden, een computer om dit te voorspellen bij nieuwe patiënten. Met AI kun je een heleboel data bekijken en de patiënten selecteren die een voordeel hebben van immunotherapie. Door deze processen te automatiseren, kunnen oncologen alleen die patiënten behandelen bij wie het echt nodig is of zal helpen.”
Onderbehandeling
Omdat AI veel meer gegevens ziet en meeneemt in de berekening, kan er discrepantie ontstaan met de huidige behandelrichtlijnen, die gericht zijn op menselijke overwegingen en menselijk handelen, geeft Aerts aan. “Stel dat een richtlijn adviseert om bij bepaalde tumorkenmerken geen immunotherapie te geven, dan kan het zijn dat het algoritme binnen AI adviseert om wel immunotherapie te geven. Je geeft dan juist vaker immunotherapie dan de richtlijn aanbeveelt. Maar de omgedraaide situatie kan zich ook voordoen: op basis van de richtlijn geldt het advies om immunotherapie te geven, maar de AI raadt het af op basis van de geïntegreerde data. Dan loop je een risico op onderbehandeling. Die kans is echter klein; uit onderzoek blijkt dat AI heel accuraat voorspelt of immunotherapie nodig is, maar dit belangrijke punt moet in grotere, prospectieve studies ook bewezen worden.”
Verschijningsvorm
In de oncologie is toepassing van AI onderzocht bij NSCLC en melanomen in gevorderd stadium. Aerts: “Hierbij waren een aantal vragen belangrijk. Kunnen we bijvoorbeeld beter voorspellen bij wie immunotherapie gaat werken? Met specifieke kenmerken kan een biomarker worden gevormd. Is de tumor homogeen of heterogeen? Is de tumor uitgezaaid en naar welke organen? Is de tumor in het weefsel geïnfiltreerd? Hoe groot is de tumor? Al deze gegevens kan AI combineren en analyseren, rekening houdend met de biologie van de tumor.”
Het onderzoek, waaraan onder meer Aerts meewerkte, toonde dat door AI geïntegreerde data uit CT-scans blijken te kunnen functioneren als biomarker bij NSCLC en melanomen.1 Karakteristieken die naar voren komen op de CT-scans en zijn geïnterpreteerd met AI, blijken verband te houden met de respons op immunotherapie. Deze trends zijn consistent bij de verschillende kankertypen en de diverse anatomische locaties. Zo lijken tumoren met een heterogene morfologie beter te reageren op immunotherapie. De conclusie is dan ook dat toepassing van AI bij de interpretatie van CT-scans verder onderzocht en doorontwikkeld moet worden.
Een belangrijk voordeel van AI is dat het op zich niets kost, zegt Aerts. “We gebruiken data die al in de kliniek aanwezig zijn vanuit standaard CT-scans. Er hoeven geen extra data te worden verzameld om AI te kunnen toepassen.”
Proof-of-principle
Wordt AI in de kliniek al toegepast? “Nee, het is nog in de fase van proof-of-principle”, zegt Aerts. “We hebben met data van het Antoni van Leeuwenhoek laten zien dat het werkt. Nu moeten we nog aantonen dat het ook bij Amerikaanse patiënten werkt, zoals in het Dana-Farber Cancer Institute. Een volgende stap is: welke CT-scanners zijn geschikt? Er zijn allerlei versies in gebruik, oudere en nieuwere. Hoe zorg je dat radiologen AI goed gebruiken? Hoe krijg je alles gestandaardiseerd? Als academische onderzoekers zijn we vooral goed in het bedenken van proofs-of-principle, maar in de doorontwikkeling zijn bedrijven beter. Mijn droom zou zijn om binnen twee tot drie jaar een perfecte biomarker te hebben die gevalideerd is en ook toepasbaar is op data die nog nooit eerder zijn gezien.”
Referentie
1. Trebeschi S, et al. Ann Oncol 2019;30:998-1004.
Drs. Marc de Leeuw, wetenschapsjournalist
Immunoncologie.nl 2020 vol 4 nummer 3