Richting deep-learninggebaseerde detectie en kwantificering van intestinale metaplasie op gedigitaliseerde maagbiopten: een vergelijkende studie met meerdere experts

Waarom dit belangrijk is voor uw gezondheid

Maagkanker blijft een van de dodelijkste vormen van kanker wereldwijd, grotendeels omdat het vaak te laat wordt ontdekt. Artsen weten dat een specifieke voorstadiumverandering in het maagslijmvlies, intestinale metaplasie genoemd, jaren vóór het ontstaan van een tumor op verhoogd risico wijst. Die waarschuwingssignaal wordt vandaag echter visueel beoordeeld, wat betekent dat twee experts naar dezelfde biopsie kunnen kijken en van mening kunnen verschillen over de ernst. Deze studie onderzoekt of kunstmatige intelligentie meer consistentie en precisie kan brengen in die cruciale vroege waarschuwingsfase.

Hoe artsen in de maag naar problemen zoeken

Wanneer iemand wordt onderzocht op mogelijke maagziekte, worden kleine weefselmonsters genomen uit meerdere standaardlocaties in de maag en onder de microscoop onderzocht. Pathologen zoeken naar aanwijzingen zoals ontsteking, verlies van normale klieren en vooral het voorkomen van darmachtige cellen op plaatsen waar ze niet thuishoren. Hoe uitgebreider deze veranderingen zijn en hoe meer delen van de maag ze beslaan, hoe hoger het geschatte risico dat de persoon uiteindelijk maagkanker ontwikkelt. Huidige scoresystemen combineren deze visuele indrukken tot stadia van zeer laag tot zeer hoog risico, en bepalen zo hoe nauwgezet een patiënt gevolgd moet worden.

Het probleem met alleen menselijke beoordeling

Hoewel deze systemen veel in de kliniek worden gebruikt, vertrouwen ze op de beste inschatting van een patholoog over welk deel van het weefsel is veranderd. Eerdere onderzoeken en dagelijkse ervaring tonen aan dat zelfs goed getrainde experts merkbaar van elkaar kunnen verschillen in hun schattingen. In deze studie beoordeelden drie pathologen onafhankelijk meer dan 200 sets maagbiopten van Colombiaanse vrijwilligers en patiënten. Hun overeenstemming liep slechts van gering tot matig, wat betekent dat hetzelfde geval verschillende risicostadia kon krijgen afhankelijk van wie het beoordeelde. Deze variabiliteit wekt bezorgdheid dat sommige mensen onterecht gerustgesteld worden, terwijl anderen kunnen horen dat zij een hoger risico hebben dan werkelijk het geval is.

Een computer leren biopten te lezen

De onderzoekers vroegen zich af of deep learning, een vorm van kunstmatige intelligentie die uitblinkt in het herkennen van patronen in beelden, hierbij kon helpen. Ze digitaliseerden vijf biopsiemonsters per persoon op zeer hoge vergroting en gebruikten eerst een gespecialiseerd algoritme om klierstructuren in het weefsel te lokaliseren, waar de vroege veranderingen optreden. Vanuit deze regio’s werden honderden duizenden kleine afbeeldingstegels geëxtraheerd. Een ervaren patholoog had vooraf aangegeven waar intestinale metaplasie aanwezig was, waardoor het team tegels kon labelen als veranderd of normaal. Meerdere moderne neurale-netwerkontwerpen werden vervolgens in fasen getraind: eerst door te leren van grote bestaande beelddatabases en daarna te finetunen op deze maagmonsters om metaplasie van normale tegels te onderscheiden.

Wat de computer vond en hoe dat zich verhoudt

Onder de geteste modellen behaalde één specifieke architectuur de beste resultaten, waarbij het in de meeste tegels intestinale metaplasie correct identificeerde en prestatieniveaus bereikte die vergelijkbaar zijn met andere medische beeldtaakgebieden. Wanneer de tegel-niveau voorspellingen weer op de volledige glijbanen werden teruggebracht, produceerde het model kleurgecodeerde kaarten die aangaven waar veranderde klieren waarschijnlijk waren. Uit deze kaarten berekende het programma automatisch het percentage veranderd weefsel per bioptenplaats en vertaalde die percentages naar dezelfde risicostadia die door menselijke experts worden gebruikt. Hoewel het model niet exact samenviel met één enkele patholoog, toonde het een sterke correlatie met hun schattingen en, belangrijker, was het consistenter van geval tot geval dan de onderlinge overeenstemming tussen de menselijke beoordelaars.

Wat dit voor toekomstige zorg zou kunnen betekenen

De studie suggereert dat deep-learningsystemen als betrouwbare "tweede beoordelaars" voor maagbiopten kunnen fungeren en objectieve metingen kunnen leveren van hoeveel weefsel vroegtijdige voorstadiumveranderingen toont. In plaats van pathologen te vervangen, zouden dergelijke hulpmiddelen hen een betrouwbaar uitgangspunt kunnen bieden, giswerk en meningsverschillen verminderen en helpen waarborgen dat patiënten met daadwerkelijk verhoogd risico worden geïdentificeerd en adequaat gemonitord. Met verdere tests in verschillende ziekenhuizen en meer gedetailleerde labeling van weefselondertypen zou deze aanpak uiteindelijk meer gepersonaliseerde en zekerder beslissingen kunnen ondersteunen over wie nauwer moet worden opgevolgd om maagkanker te voorkomen.

Bronvermelding: Cano, F., Caviedes, M., Siabatto, A. et al. Towards deep-learning based detection and quantification of intestinal metaplasia on digitized gastric biopsies: a multi-expert comparative study. Sci Rep 16, 9606 (2026). https://doi.org/10.1038/s41598-025-32737-w

Trefwoorden: maagkanker, intestinale metaplasie, deep learning, digitale pathologie, stratificatie van kankerrisico