Ontwikkeling en evaluatie van een computergestuurd classificatiesysteem bij het onderscheiden van verschillende typen darmpoliepen.

Achtergrond en probleemstelling
Jaarlijks krijgen 15.000 mensen in Nederland darmkanker en overlijden er meer dan 5.000 mensen aan darmkanker. De overleving is afhankelijk van het stadium waarin darmkanker ontdekt wordt: de vijfjaarsoverleving is 90% wanneer darmkanker ontdekt wordt in een vroeg stadium. Voor darmkanker ontdekt in een gevorderd stadium is de vijfjaarsoverleving slechts 10%. In 2014 is daarom het nationaal bevolkingsonderzoek naar darmkanker gestart met als doel het vroegtijdig detecteren en verwijderen van (voorstadia van) darmkanker.
Darmkanker ontstaat uit poliepen in de dikke darm. Er bestaan verschillende typen poliepen met een wisselend risico op het ontwikkelen van darmkanker. 43% van de patiënten die vanwege het bevolkingsonderzoek in Nederland een darmonderzoek ondergaat, heeft een darmpoliep die zich kan ontwikkelen tot darmkanker. Met behulp van optische diagnostiek kan door endoscopisten met het blote oog onderscheid worden gemaakt tussen de verschillende typen poliepen. Op basis van deze optische diagnostiek kunnen behandelstrategieën worden ingezet: poliepen die zich niet ontwikkelen tot darmkanker hoeven niet verwijderd te worden tijdens het darmonderzoek: ‘diagnosticeren-en-laten-zitten’. Poliepen die de potentie hebben zich te ontwikkelen tot darmkanker maar nog géén kanker bevatten, hoeven niet opgestuurd te worden voor histopathologisch onderzoek: ‘verwijderen-en-weggooien’. Het maken van dit onderscheid door endoscopisten is, ondanks training en ervaring, moeilijk gebleken. Ongeveer 80% van de vroeg stadium darmkankers gediagnosticeerd tijdens histopathologisch onderzoek, wordt niet als zodanig herkend tijdens het darmonderzoek. Toepassing van de behandelstrategieën is daarom op dit moment niet mogelijk. Dit is problematisch omdat onjuiste classificatie van poliepen kan leiden tot een suboptimale behandelstrategie, (onnodig) hogere risico’s voor de patiënt en hogere zorgkosten. Wij stellen de toepassing van een computergestuurd classificatiesysteem voor om het onderscheid tussen verschillende typen darmpoliepen nauwkeuriger te maken tijdens een darmonderzoek.

Doelstelling
Het doel van dit project is het ontwikkelen en evalueren van een computergestuurd systeem voor het betrouwbaar classificeren van verschillende typen darmpoliepen op basis van optische kenmerken. Wij verwachten dat met de ondersteuning van een computergestuurd classificatiesysteem de optische diagnostiek van darmpoliepen sterk zal verbeteren. Er wordt een klinisch voorspellend model ontwikkeld waarmee de endoscopist ondersteund wordt in het maken van een effectieve en betrouwbare behandelbeslissing. De potentiële implementatie van de ‘diagnosticeren-en-laten-zitten’ en ‘verwijderen-en-weggooien’ strategieën leidt tot een afname van het aantal patiënten waarbij ‘onnodig’ resectie van poliepen plaatsvindt met de daarbij behorende risico’s op complicaties zoals een bloeding of perforatie. Dit heeft tot gevolg dat het onderzoek minder belastend is voor deze groep patiënten en dat de patiënttevredenheid toeneemt. Daarnaast verbetert de kwaliteit van zorg door gebruik van een computergestuurd classificatiesysteem. Dit heeft een afname in zorgkosten tot gevolg.

Doelgroep
Het computergestuurd classificatiesysteem is bedoeld voor patiënten met darmpoliepen en/of vroege vormen van darmkanker die in de reguliere zorg een darmonderzoek ondergaan vanwege: a) darmklachten, b) het bevolkingsonderzoek darmkanker of c) controle na eerder vastgestelde darmziekten.

KWF-missiedoelen
De missiedoelen van het KWF zijn: less cancer, more cure and beter quality of life (QoL). Dit project sluit hierop aan doordat darmpoliepen die zich kunnen ontwikkelen tot darmkanker tijdig onderscheiden worden van poliepen die zich niet zullen ontwikkelen tot darmkanker. Nauwkeurige classificatie middels de ondersteuning van een computergestuurd classificatiesysteem zal daarmee het aantal personen met darmkanker doen verminderen (less cancer).

Voor poliepen die vroege vormen van darmkanker bevatten, is het belangrijk dat deze in één stuk (niet gefragmenteerd) verwijderd worden. Indien adequate herkenning plaatsvindt, wordt de endoscopische behandeltechniek hierop aangepast zodat een poliep met kankercellen volledig verwijderd wordt. Hierdoor worden controle darmonderzoeken voorkomen en zijn de genezings- en overlevingskansen beter (more cure). Tevens worden gevorderde stadia van darmkanker voorkomen en de daarmee gepaard gaande chirurgische behandelingen, waardoor de kwaliteit van leven van patiënten behouden blijft of verbeterd (better QoL).

Wetenschappelijke basis
De laatste jaren zijn er belangrijke ontwikkelingen gaande op het gebied van kunstmatige intelligentie. Dit heeft geleid tot het op grote schaal inzetten van computergestuurde algoritmen in de medische zorg. De toegevoegde waarde van algoritmen die gebruik maken van optische diagnostiek, is door de huidige onderzoeksgroep aangetoond voor Barrett slokdarm, een aandoening die zich kan ontwikkelen tot slokdarmkanker. Met de kennis en ervaring opgedaan in dit onderzoeksgebied maken wij een vertaalslag naar de classificatie van darmpoliepen.

Studieontwerp
Voor het ontwikkelen van een computergestuurd classificatiesysteem is het noodzakelijk grote aantallen poliepafbeeldingen en -video’s te verzamelen. Daarnaast zijn de resultaten van het histopathologisch onderzoek nodig als referentie voor het type poliep. Op basis van deze gegevens kan een computeralgoritme leren om verschillende typen darmpoliepen van elkaar te onderscheiden. In twee preklinische onderzoeken wordt de nauwkeurigheid van het computergestuurde classificatiesysteem getest: in het eerste onderzoek worden actief poliepafbeeldingen verzameld welke later, buiten de endoscopieruimte, geclassificeerd worden (niet-gestreste omgeving). In het tweede onderzoek vindt classificatie plaats in de endoscopieruimte (gestreste omgeving). Het verzamelen van gegevens vormt geen belasting voor patiënten aangezien deze allen verkregen worden uit de reguliere zorg. Gegevens worden geanonimiseerd zodat deze niet herleidbaar zijn tot individuen. Tevens zal de kosteneffectiviteit van het computergestuurde classificatiesysteem ten opzichte van de standaard diagnostiek (histopathologie) modelmatig berekend worden.

Samenwerkingsverbanden
In dit project bestaat er een nauwe samenwerking tussen Maastricht UMC+, Catharina ziekenhuis Eindhoven en de Technische Universiteit Eindhoven. Tevens is er een statisticus betrokken voor de analyses en een expert op het gebied van kosteneffectiviteit voor de kosteneffectiviteitsanalyse. Het ziekenhuis Bernhoven participeert daarnaast als inclusiecentrum.

Verspreiding van de resultaten
De resultaten van dit project worden gepresenteerd in wetenschappelijke tijdschriften en op congressen in zowel het medische als het technische domein. Daarnaast worden patiënten(organisaties) geïnformeerd middels nieuwsbrieven en informatiebladen van ziekenhuizen. De medische beroepsverenigingen wordt geïnformeerd via publicaties in hun magazines (MAGMA voor NVMDL en DDD news voor NVGE). Tevens wordt het publieke domein geïnformeerd. Door de intensieve samenwerking van onze onderzoeksgroepen met FujiFilm, Pentax en Olympus, is de weg naar de industrie kort. De real-time implementatie van een algoritme dat slokdarmkanker detecteert, wordt nu live getest. Door de opgebouwde expertise en ervaring, kan een soortgelijk pad voor de classificatie van darmpoliepen versneld doorlopen worden.

Opvolging
Aansluitend aan dit project zal een grootschalig klinisch implementatieonderzoek in meerdere Nederlandse ziekenhuizen plaatsvinden met als doel snelle implementatie van het computergestuurde classificatiesysteem in de dagelijkse praktijk.