Baarmoederkanker op maat behandelen met kunstmatige intelligentie

Minder onder- en overbehandeling door zelflerende algoritmen

Gepubliceerd op 3 juli 2020

Baarmoederkanker komt steeds meer voor. Dat komt met vooral door de vergrijzing en de toename van overgewicht in Nederland. Nu treft de ziekte in ons land elk jaar zo’n 2.000 vrouwen. Voor veel van hen is genezing mogelijk door een verwijdering van de baarmoeder en eierstokken. Maar in het geval van uitzaaiingen, wordt genezend behandelen moeilijker. Vooral omdat nu niet altijd duidelijk is of die uitzaaiingen er ook écht zijn. Artificial Intelligence (kunstmatige intelligentie) kan daarbij helpen.

Gynaecoloog-oncoloog Hanny Pijnenborg behandelt mensen met baarmoederkanker in het Radboudumc. Met financiering van KWF leidt ze dit belangrijke Europese onderzoeksproject*, waarmee ze patiënten met baarmoederkanker in de toekomst beter op maat wil behandelen. 

Over- en onderbehandeling
“Bij zo’n 1 op de 10 vrouwen is er sprake van uitzaaiingen. Zij krijgen na de operatie chemotherapie, of bestraling. Voor sommige vrouwen is genezing dan nog mogelijk, maar een deel van de patiënten overlijdt uiteindelijk aan de ziekte”, weet Pijnenborg. 

Ze vervolgt: “Als baarmoederkanker uitzaait, gebeurt dat in eerste instantie naar de lymfeklieren. Wat je kan doen, is dat je bij elke patiënt deze lymfeklieren verwijdert. Zodat je kunt vaststellen of er uitgezaaide kankercellen in zitten. Dat gebeurt bijvoorbeeld in Noorwegen. Maar we hebben in Nederland afgesproken om dat niet te doen. Want zo’n ingreep kan voor blijvende problemen zorgen, zoals lymfoedeem. En als 1 op de 10 vrouwen uitzaaiingen heeft, wil je niet 9 op de 10 vrouwen opzadelen met zo’n behandeling.”

Om meer duidelijkheid te krijgen over mogelijke uitzaaiingen, onderzoeken pathologen daarom voor de operatie een klein stukje van het tumorweefsel. Onder de microscoop stellen ze vast of de tumor een hoog of laag risico op uitzaaiing heeft. “Een graad 1 tumor heeft een laag risico, zo’n 8 tot 10 procent. Bij een graad 3 tumor is dat risico hoger, 20 tot 25 procent. Daarom verwijderen we bij patiënten met graad 3 wél de lymfeklieren voor nader onderzoek. Maar toch doe je veel patiënten een onnodige ingreep aan. En, misschien nog wel belangrijker: bij graad 1 wordt nu niet gezocht naar uitzaaiingen in de lymfeklieren. Maar ze zijn er wél. Aangezien een grote groep patiënten een graad 1 tumor heeft, mis je dus uiteindelijk veel uitzaaiingen!”

Zowel de overbehandeling als de onderbehandeling vindt Pijnenborg ernstig. “Zeker omdat de patiëntengroep ouder is en soms kampt met andere ziekten, of obesitas. Die wil je niet onnodig zwaar behandelen.”

Zelflerend netwerk
In dit project onderzocht ze hoe computers bij dit vraagstuk kunnen helpen. “In een groot Europees samenwerkingsverband (ENITEC) hebben we tumorweefsel en eigenschappen van 1200 patiënten in kaart gebracht, in een grote database. Door gegevens te linken, willen we voor individuele patiënten bepalen wat hun risico is op uitzaaiingen naar de lymfeklier.”

Om het unieke punt van dit project uit te leggen, ontkomt Pijnenborg er niet aan om een beetje technisch te worden: “In traditionele risicomodellen bekijk je 20 eigenschappen en reken je voor elke eigenschap los van elkaar uit wat de bijdrage aan het totale risico is. Daarmee verlies je informatie, want sommige van die eigenschappen beïnvloeden elkaar. Twee eigenschappen die individueel weinig bij lijken te dragen, kunnen elkaar bijvoorbeeld enorm versterken. Daarnaast kunnen traditionele risicomodellen alleen gebruikt worden wanneer alle variabelen bekend zijn, dit maakt toepassing in klinische praktijk lastig. Het Bayesiaanse netwerk (diepgravende uitleg op Wikipedia voor de liefhebber) dat wij hebben gebouwd, houdt rekening met deze onderlinge relaties. En komt daarom met risicovoorspellingen die veel nauwkeuriger zijn dan de huidige manieren om uitzaaiingen vast te stellen. We zijn zo gegaan van een nauwkeurigheid van 0.6 naar 0.82. Dit betekent dat correcte voorspelling van lymfeklieruitzaaiingen en overleving van 60% naar 82% gaat.”

Het mooie aan zo’n netwerk is dat het ‘zelflerend is’ en dus steeds beter wordt, vertelt Pijnenborg. “Het netwerk begint met ‘wat weten we al’, dus de kennis die er nu al is in de wetenschappelijke literatuur over uitzaaiingen. Denk aan verdachte bloedwaardes of een afwijkend uitstrijkje. Maar door dit netwerk te koppelen aan echte patiëntendata, leert het netwerk nog beter presteren.”

De stap naar het ziekenhuis
Het onderzoeksproject is inmiddels bijna afgerond, met een prachtige wetenschappelijke publicatie. De hamvraag is dan ook: wanneer gaat de patiënt hier iets van terugzien in de praktijk?

“Ik ben nu druk bezig met hoe we deze kennis kunnen implementeren”, besluit Pijnenborg. “We willen ziekenhuizen graag leren werken met dit model. Daarvoor heb je eigenlijk alleen software nodig, en een aantal standaard eiwitkleuringen door de patholoog. Er hoeven dus geen uitgebreide genetische testen te worden gedaan. Dat vergemakkelijkt de implementatie zeker!”

Onderzoek is teamwork! In dat kader noemt Pijnenborg graag nog de namen van twee onderzoekers met wie ze veel samenwerkt in dit project: 
- Peter Lucas, hoogleraar AI en DataScience TU Twente 
- arts-onderzoeker Casper Reijnen (zichtbaar op de foto boven het artikel), die recent zijn proefschrift heeft afgerond