Kunstmatige intelligentie (AI) wordt steeds vaker ingezet bij de opsporing van nierfalen. Jesper Kers, nefropatholoog bij het Amsterdam UMC en het LUMC, was zo’n 7 jaar geleden een van de eersten die hiermee experimenteerden en ondertussen is er een hoop veranderd. “Ik had nooit durven denken dat de ontwikkelingen zo snel zouden gaan.”
Wanneer een donornier tekenen van afstoting vertoont, is het essentieel dat deze op tijd worden vastgesteld. Maar ook als er een ander probleem is met een niertransplantaat, bijvoorbeeld als de oorspronkelijke, primaire nierziekte terugkeert, is het belangrijk om te weten wat er aan de hand is. De standaardmethode om dit te onderzoeken is de histopathologische beoordeling van nierbiopten.
Gouden standaard?
“Deze methode wordt als de gouden standaard beschouwd, maar er zitten best wat haken en ogen aan”, zegt Kers. “Zo is een nierbiopsie een invasieve procedure en is het bewerken van het biopt in het lab arbeidsintensief. Dat gebeurt namelijk met de hand. Het biopt wordt eerst in parafine gegoten voordat er coupes van gesneden kunnen worden. Die worden op een glaasje geplakt en aangekleurd om contrast aan te brengen in het weefsel. Pas daarna kan het weefsel onder de microscoop beoordeeld worden door een patholoog.
“Maar het belangrijkste nadeel van nierbiopten is dat de beoordeling ervan complex is”, vervolgt Kers. “Het gebeurt niet zelden dat pathologen het onderling niet met elkaar eens zijn over de aard van de nierschade. Om consensus te bereiken, worden nierbiopten besproken in teams van nefropathologen en daarna worden de resultaten ook nog besproken tijdens multidisciplinair overleg met de behandelend nefrologen.” Daarom was het geen gek idee om op zoek te gaan naar een manier om de beoordeling van biopten te ondersteunen.
Digitalisering
Een eerste stap daarin is het digitaliseren van nierbiopten. In de afgelopen jaren is de klassieke microscoop steeds vaker vervangen door een digitale variant. “Die scant de glaasjes met weefsel en zet ze om naar beelden van miljoenen pixels die door de patholoog op een scherm beoordeeld kunnen worden”, legt Kers uit.
“Samen met collega’s uit Utrecht, Aken en Leuven hebben we een grote verzameling digitale beelden van nierbiopten aangelegd, eerst van transplantatienieren en ook van natieve nieren. Het idee was om 5.000 biopten uit 2 centra te digitaliseren, maar uiteindelijk sloten er meer centra aan en hebben we nu ongeveer 45.000 beelden verzameld (meestal 3 beelden per biopt). Dat is dus een beetje uit de hand gelopen. We hebben momenteel de grootste dataset wereldwijd met zo’n 40 terabyte aan data.”
AI in actie
De volgende stap is om de digitale beelden te kunnen analyseren en daar komt kunstmatige intelligentie (artificial intelligence; AI) bij kijken (zie kader). Kers en collega’s publiceerden in 2022 een artikel in Lancet Digital Health, waarin ze demonstreerden hoe je AI in kunt zetten om al die beelden efficiënter te beoordelen.1 “In dit artikel hebben we voor het eerst laten zien wat de potentie is van zo’n dataset. Op 5.844 beelden van niertransplantaten van 1.948 patiënten hebben we zogenaamde deep learning-technieken toegepast om de histologie van de biopten te beoordelen. We ontwikkelden een computeralgoritme dat we de naam DEEPGRAFT gaven. Dit algoritme is getraind om afwijkingen in de nier te herkennen”, vertelt Kers. “Zo konden we de nierbiopten direct classificeren als normale biopten, biopten met afstotingsverschijnselen en biopten met verschijnselen die lijken op die van afstoting maar het niet zijn. Dit werkt dus als een soort digitale collega die je ondersteunt, waardoor je afstoting snel kunt signaleren.”
AI: wat is wat?
Iedereen heeft het over AI, maar wat is het precies? Een paar bekende en minder bekende begrippen op een rijtje:
Kunstmatige intelligentie, ook wel artificial intelligence of AI, is de mogelijkheid van computers of andere machines om menselijke vaardigheden te vertonen, zoals leren, problemen oplossen en patronen herkennen. Voorbeelden zijn zelfrijdende auto’s, chatbots en programma’s zoals ChatGPT. AI maakt gebruik van wiskundige modellen (algoritmes).
Een algoritme is een set van regels en instructies die een computer geautomatiseerd volgt.
Machine learning is een vorm van AI waarbij algoritmen gegevens analyseren, daarvan leren en vervolgens gefundeerde beslissingen nemen op basis van wat zij hebben geleerd.
Deep learning valt onder machine-learning en maakt gebruik van een hiërarchie van kunstmatige ‘neuronen’ die in lagen aan elkaar gekoppeld zijn. De verbindingen tussen de kunstmatige neuronen worden getraind. Elke diepere laag in het deep-learningmodel is een combinatie van de lagen ervoor en de complexiteit neemt dus steeds verder toe; het gaat hier om miljoenen parameters. Hierdoor is het mogelijk om op basis van grote hoeveelheden data, complexe patronen en verbanden te ontdekken die anders moeilijk te herkennen zijn.
Trainingstechnieken
Er zijn verschillende methoden om een algoritme te trainen. “In ons project pasten wij ‘weakly supervised learning’ toe. Dat houdt in dat zo’n heel beeld van wel 7,5 miljard pixels maar één label krijgt. Je maakt dus een compressie van al die pixels in 1 diagnose. Een afwijking komt soms maar op een bepaald, klein deel van het beeld voor, bijvoorbeeld op 10% van de pixels. Dat betekent dat in dat geval de resterende 90% het verkeerde label krijgt om te trainen. Je hebt daarom heel veel beelden nodig om daar een patroon uit te kunnen destilleren en het algoritme te kunnen trainen. Dat is wel uitdagend, maar gelukkig zijn er – vooral in de laatste jaren – wel trucjes voor ontwikkeld”, aldus Kers.
Businesscase
“Ik vind het nog best lastig om te bepalen wat de businesscase zal zijn voor deze AI-toepassingen binnen de nefrologie”, zegt Kers. “Je kunt namelijk niet minder pathologen aanstellen en in die zin bespaar je er geen tijd of geld mee. De computersystemen kunnen dingen die wij als nefropathologen niet kunnen, zoals het tellen van bepaalde structuren. In een biopt zitten bijvoorbeeld wel 3.000 tubuli. Die kan je als patholoog onmogelijk allemaal gaan tellen. Maar de computer kan dat wel, binnen 5 minuten zelfs. In die tubuli kunnen allerlei afwijkingen voorkomen en die kan de computer ook tellen. Zo kun je bijvoorbeeld een uitkomst krijgen dat in een biopt 36% tubulusatrofie voorkomt; dat is een stuk nauwkeuriger dan de score van 25-50% die de huidige methode van beoordelen oplevert. Dat is de richting waar we in werken. Daarnaast zetten we in op het oplossen van onenigheid tussen beoordelaars, dus het bereiken van consensus. En mogelijk kunnen we aan de slag met predictie omtrent therapieën. Dan kan je bijvoorbeeld de kans inschatten dat een patiënt gaat reageren op een behandeling.”
Kers vervolgt: “We kunnen dus een hoop kanten op met dergelijke algoritmen. Hoe het er precies uit gaat zien, weet ik niet, maar ik verwacht dat dat de implementatie van deze technieken heel snel concreet gaat worden. Dat is het leuke van dit onderzoeksgebied: nog maar een paar jaar geleden was er nog helemaal niets en nu gaan we al toe naar de implementatie.”
Referentie:
- Kers J, Bülow RD, Klinkhammer BM, et al. Deep learning-based classification of kidney transplant pathology: a retrospective, multicentre, proof-of-concept study. Lancet Digit Health 2022;4:e18-26.