Computer-aided diagnosis

Uit Wikipedia, de vrije encyclopedie
Dit is een oude versie van deze pagina, bewerkt door Hansmuller (overleg | bijdragen) op 22 apr 2012 om 00:27. (Nieuw artikel, nog onvolledig vertaald van Engelse wikipedia met aanvulling : ''Computer-aided diagnosis (CAD) of computer-aided detection (CADe) zijn methoden in de radiologie om met een computer artsen te helpen bij diagnose aan de hand van..")
Deze versie kan sterk verschillen van de huidige versie van deze pagina.
(wijz) ← Oudere versie | Huidige versie (wijz) | Nieuwere versie → (wijz)

Computer-aided diagnosis (CAD) of computer-aided detection (CADe) zijn methoden in de radiologie om met een computer artsen te helpen bij diagnose aan de hand van medische beelden. Beeldvormende technieken met behulp van röntgenstraling, MRI en ultrageluid (echografie) leveren veel informatie op, die de radioloog snel wil analyseren en evalueren. CAD systemen helpen hierbij door digitale beelden, bijvoorbeeld verkregen met computertomografie, te doorzoeken op karakteristieke verschijnselen en verdachte gebieden te markeren, die wijzen op mogelijke ziektes. CAD kan gebruikt worden voor clinical decision support systems.

CAD is een betrekkelijke jonge interdisciplinaire technologie die kunstmatige intelligentie combineert met radiologische beeldverwerking. Een bekende toepassing is de detectie van een tumor. Sommige ziekenhuizen gebruiken CAD voor preventieve controle op borstkanker (mammografie), poliepen in de dikke darm en longkanker.

Overzicht

Computer-aided detection (CADe) systemen beperken zich meestal tot het aangeven van opvallende structuren en gebieden. Computer-aided diagnosis (CADx) systemen evalueren de opvallende structuren. Bij voorbeeld, CAD voor mammografie spoort groepen van microcalcificaties op en dichte structuren in zacht weefsel, zodat de radioloog conclusies kan trekken over de pathologie. Ook is het mogelijk om de grootte van de tumor te berekenen of de mate waarin een tumor een contraststof opneemt. De arts blijft verantwoordelijk voor de uiteindelijke interpretatie van het medische beeld.

Stappen

CAD komt neer op geavanceerde patroonherkenning. Bijvoorbeeld röntgenfoto's worden onderzocht op opvallende structuren. Om een algoritme te optimaliseren kunnen duizenden beelden nodig zijn. Deze worden in digitale vorm en in DICOM-format gekopieerd naar een server met CAD-software en stapsgewijs bewerkt en geanalyseerd.

Voorbereiding (preprocessing)

  • artefacten verwijderen
  • ruis verminderen
  • beeldkwaliteit harmoniseren om verschillende beelden met bijvoorbeeld verschillende belichtingstijden te kunnen vergelijken

Segmentatie

  • onderscheiden van verschillende structuren in het beeld, bijvoorbeeld, hart, long, ribbenkast, borstspier, mogelijk al ronde laesies.
  • vergelijking met anatomische databank

Analyse van structuren en ROI's

Elk gedetecteerd gebied (region of interest, belangwekkende gebied) wordt apart onderzocht op bijzondere karakteristieken (features) zoals:

  • compactheid
  • vorm, grootte en plaats
  • stekeligheid rand van object (groeiende tumor), enzovoorts

Evaluatie/classificatie

Na analyse van de structuur wordt elk ROI individueel beoordeeld (gescoord) op de aanwezigheid van een pathologische afwijking, met een algoritme dat geijkt is met een databank van aangetoonde gevallen (gouden standaard). Mogelijke procedures hiervoor zijn:

  • Nearest-Neighbor Rule
  • Minimum distance classifier
  • Cascade Classifier
  • Bayesian Classifier
  • Multilayer perception
  • Radial basis function network (RBF)
  • SVM

Als de score (beoordeling) van de aangetoonde structuren een ingestelde drempel overschrijdt, worden ze gemarkeerd voor de radioloog.

Sensitiviteit en specificiteit

Het is vooralsnog niet mogelijk alle pathologische afwijkingen te vinden. De trefkans (sensitiviteit) kan 90% halen afhankelijk van het systeem en de toepassing. [1] Een terechte melding heet echt-positief (True Positive, TP), een onterechte markering van gezonde gebieden een fout-positief (False Positive, FP). Hoe minder FPs, des te hoger is de specificiteit. Een lage specificiteit maakt het CAD-systeem minder nuttig omdat de gebruiker al die verkeerde meldingen eruit moet halen.

Absoluut aandeel van detecties

Een alternatieve maat is het aantal detecties door de radioloog. Resultaten van clinical trials voor sensitiviteit, specificiteit en het absoluut aantal detecties kunnen sterk variëren. Elk onderzoek hangt af van omstandigheden, zoals:

  • retrospectief of prospectief ontwerp
  • kwaliteit van de gebruikte beelden
  • omstandigheden bij de röntgenopname
  • ervaring en opleiding van de radioloog
  • type tumor
  • grootte van de tumor

Toepassingen

CAD wordt gebruikt bij de diagnose van borstkanker, longkanker, darmkanker, prostaatkanker, uitzaaiingen in botten, ischemische hartklachten en aangeboren hartafwijkingen.

Borstkanker

CAD wordt toegepast bij bevolkingsonderzoek (screening mammografie) om borstkanker vroeg aan te tonen, vooral in de VS en Nederland als aanvulling op de beoordeling door een radioloog. Sommige onderzoeken wijzen op een positief effect of bevolkingsonderzoek, [2] [3] maar andere laten geen verbetering zien. [4][5] Een systematisch overzicht uit 2008 over computer-aided detection in screening mammografie kwam tot de slotsom dat CAD geen significant effect heeft op het aantal aangetoonde kankers, maar wel op het aantal fout-positieven ("vals alarm", vrouwen worden onnodig teruggeroepen.). Maar de grootte van dit effect variëerde aanzienlijk in verschillende onderzoeken. [6]

Tevens bestaan er procedures voor mammografie met MRI.

Nucleaire geneeskunde

Ook voor dit gebied bestaan commerciële toepassingen, bijvoorbeelden voor de diagnose van uitzaaiingen in bot en ischemische hartklachten in beelden van myocardische perfusie (hartscan).

Referenties

  1. ↑ T. Wollenweber, B. Janke, A. Teichmann, M. Freund: Korrelation zwischen histologischem Befund und einem Computer-assistierten Detektionssystem (CAD) für die Mammografie. Geburtsh Frauenheilk 2007; 67: 135-141 DOI:10.1055/s-2006-955983
  2. ↑ Fiona J. Gilbert, F.R.C.R., Susan M. Astley, Ph.D., Maureen G.C. Gillan, Ph.D., Olorunsola F. Agbaje, Ph.D., Matthew G. Wallis, F.R.C.R., Jonathan James, F.R.C.R., Caroline R.M. Boggis, F.R.C.R., Stephen W. Duffy, M.Sc., for the CADET II Group (2008). Single Reading with Computer-Aided Detection for Screening Mammography, The New England Journal of Medicine, Volume 359:1675-1684 Volledige tekst
  3. ↑ Effect of Computer-Aided Detection on Independent Double Reading of Paired Screen-Film and Full-Field Digital Screening Mammograms Per Skaane, Ashwini Kshirsagar, Sandra Stapleton, Kari Young and Ronald A. Castellino
  4. ↑ Taylor P, Champness J, Given-Wilson R, Johnston K, Potts H (2005). Impact of computer-aided detection prompts on the sensitivity and specificity of screening mammography. Health Technology Assessment 9(6), 1-70.
  5. ↑ Fenton JJ, Taplin SH, Carney PA, Abraham L, Sickles EA, D'Orsi C et al. Influence of computer-aided detection on performance of screening mammography. N Engl J Med 2007 April 5;356(14):1399-409. Volledige tekst
  6. ↑ Taylor P, Potts HWW (2008). Computer aids and human second reading as interventions in screening mammography: Two systematic reviews to compare effects on cancer detection and recall rate. European Journal of Cancer. doi:10.1016/j.ejca.2008.02.016 Volledige tekst
Overgenomen van "https://nl.wikipedia.org/w/index.php?title=Computer-aided_diagnosis&oldid=30448118"