Skip to ContentSkip to Navigation
Onderdeel van Rijksuniversiteit Groningen
Science LinX Science LinX nieuws

Kunstmatige Intelligentie geeft sneller diagnose voor ernstige blaarziekte

08 juli 2021

RUG-wetenschappers hebben een kunstmatig intelligent systeem getraind om een specifiek patroon te ontdekken in huidmonsters van patiënten met de blaarziekte epidermolysis bullosa acquisita. Het patroon is kenmerkend voor een variant van de ziekte die ernstige littekens veroorzaakt op de huid en in slijmvliezen. Dat laatste kan tot blindheid leiden. Het nieuwe systeem is eenvoudig te gebruiken en is beter dan de meeste artsen in het stellen van de diagnose. Een beschrijving van dit KI systeem is gepubliceerd in het American Journal of Pathology.

Bij patiënten met epidermolysis bullosa laten lagen van de huid elkaar los, wat voor grote blaren zorgt. Er zijn verschillende vormen van deze ziekte, die verschillende lagen van de huid aantasten. Een daarvan, epidermolysis bullosa acquisita (EBA), is een auto-immuun ziekte waarbij de antistoffen van een patiënt de eigen huid aanvallen. Dit begint meestal op middelbare leeftijd en de blaren kunnen littekens veroorzaken. In de huid kan dat de beweeglijkheid van gewrichten verminderen, maar er ontstaan ook littekens in slijmvliezen. Wanneer dat in het oog gebeurt, kan de patiënt blind worden. Een vroege diagnose is belangrijk om het optreden van littekens te voorkomen.

Het U-vormige patroon (in groen) in een huidbiopt van een EBA patiënt | Illustratie UMCG/RUG
Het U-vormige patroon (in groen) in een huidbiopt van een EBA patiënt | Illustratie UMCG/RUG

Patroonherkenning

‘Het duurt nu maanden tot jaren voordat de diagnose EBA is bevestigd’, legt Joost Meijer uit. Hij is dermatoloog in het UMCG en gezamenlijk eerste auteur van het artikel. De diagnose wordt gesteld met behulp van een huidmonster (biopt), waarin een oplichtende kleurstof aan de eigen antilichamen in de basale laag van de huid gaat zitten. Dit veroorzaakt bij EBA patiënten een typerend U-vormig patroon dat door de microscoop zichtbaar is. ‘Maar je moet dat patroon wel vinden en herkennen in een tamelijk groot microscopisch preparaat’, vertelt Meijer. Het patroon is alleen op kleine stukjes daarvan zichtbaar. Om een idee te geven: als het preparaat gedigitaliseerd is tot een afbeelding van 20.000 x 12.000 pixels vormt het patroon een vlak van slechts 30 x 30 pixels.

Meijer schreef zijn master thesis over technieken om dit patroon te herkennen. Hij bestudeerde het probleem verder als promovendus, waarbij hij samenwerkte met Astone Shi van het Bernoulli Instituut van de RUG. Shi, ook gezamenlijk eerste auteur van het artikel, werkt met zogeheten Convoluted Neural Networks (CNN’s), een type KI systeem dat gebaseerd is op ‘deep learning’ en zeer geschikt is voor patroonherkenning.

Patiënten

‘Er was nog geen standaard trainingsprogramma voor dit soort patronen’, zegt Shi. De uitdaging voor hem was om het meest geschikte type CNN vinden en de beste trainingsmethode. ‘Er zijn miljoenen parameters in dit soort neurale netwerken en wij moesten de beste vinden.’ Een ander probleem was het verkrijgen van data om het systeem mee te trainen. Er zijn maar weinig patiënten met EBA, in Nederland wordt de diagnose vijf tot tien keer per jaar gesteld. Meijer en Shi konden uiteindelijk biopsieën gebruiken van 46 patiënten: 42 om het systeem mee te trainen en vier om het te valideren.

Astone Shi (links) en Joost Meijer | Foto's RUG/UMCG
Astone Shi (links) en Joost Meijer | Foto's RUG/UMCG

Nadat negen verschillende CNN’s waren getraind, en nadat deze procedure tien keer was herhaald, kon het KI systeem het EBA patroon herkennen met een specificiteit en gevoeligheid van 89,3 procent voor allebei. Dat is beter dan de score die de vakliteratuur geeft voor een groep pathologen en dermatologen, en maar iets lager dan de nauwkeurigheid waarmee een kleine groep zeer goed getrainde specialisten de diagnose stelt. Shi: ‘Ons systeem werkt dus nauwkeuriger dan de meeste artsen.’ De reden hiervoor is vermoedelijk dat het menselijk oog maar een klein deel van het grote microscopische preparaat meeweegt. Meijer: ‘De beoordelaar krijgt zo een eerste indruk, en gaat vervolgens op zoek naar bevestiging daarvan in de rest van het preparaat. Maar het KI systeem analyseert het hele preparaat, wat een nauwkeuriger diagnose oplevert.’

Artsen

Een groot voordeel van het nieuwe, digitale systeem is het gebruiksgemak. Meijer: ‘Uiteindelijk wordt het een systeem waarin je een afbeelding kunt uploaden, waarna het KI algoritme de diagnose stelt.’ Het is ook te gebruiken om artsen te trainen om zelf het U-vormige patroon van EBA te herkennen. Maar zover is het nog niet. Hoewel het in dit onderzoeksproject prima werkte, moet dat resultaat nog bevestigd worden in een nieuwe, grotere dataset. Daarvoor is inmiddels een Europees project gestart. Meijer: ‘Het duurt een jaar om data van nieuwe huidbiopten te verzamelen, waarna we de validatie kunnen uitvoeren. Hopelijk zullen we dan een snellere en eenvoudiger methode hebben om de diagnose EBA te stellen, zodat we de schadelijke littekenvorming zoveel mogelijk kunnen voorkomen.’

Referentie: C. Shi, J. M. Meijer, G. Azzopardi, G. F. H. Diercks, J. Guo, N. Petkov, Use of convolutional neural networks for the detection of u-serrated patterns in direct immunofluorescence images to facilitate the diagnosis of epidermolysis bullosa acquisita. American Journal of Pathology, online 27 juni 2021.

Laatst gewijzigd:08 juli 2021 16:40
View this page in: English

Meer nieuws

  • 10 juni 2024

    Om een wolkenkrabber heen zwermen

    In Makers van de RUG belichten we elke twee weken een onderzoeker die iets concreets heeft ontwikkeld: van zelfgemaakte meetapparatuur voor wetenschappelijk onderzoek tot kleine of grote producten die ons dagelijks leven kunnen veranderen. Zo...

  • 24 mei 2024

    Lustrum 410 in beeld

    Lustrum 410 in beeld: Een fotoverslag van het lustrum 2024

  • 21 mei 2024

    Uitslag universitaire verkiezingen 2024

    De stemmen zijn geteld en de uitslag van de universitaire verkiezingen is binnen!