AI-geassisteerde diagnose van cervicale dysplasie op basis van cervicografiefoto's

Waarom dit belangrijk is voor de gezondheid van vrouwen

Baarmoederhalskanker is een van de meest te voorkomen vormen van kanker, maar veel vrouwen in gebieden met beperkte middelen hebben nog steeds geen toegang tot geavanceerde screeningsmiddelen. Deze studie onderzoekt hoe kunstmatige intelligentie eenvoudige foto's van de cervix — genomen nadat een azijnachtige oplossing is aangebracht — kan omzetten in een krachtig hulpmiddel om vroege precancereuze veranderingen op te sporen. Het doel is om een nauwkeurigere diagnose beschikbaar te maken in klinieken zonder dure apparatuur of specialisten, zodat ziekte eerder wordt opgespoord en mogelijk levens worden gered.

Van simpele foto’s naar slimmer screenen

In veel ziekenhuizen in rijke landen gebruiken artsen een vergrootinstrument, de colposcoop, om de cervix nauwkeurig te inspecteren en te beslissen of verdachte plekken gebiopteerd moeten worden. In armere of landelijke omgevingen is dit instrument vaak niet beschikbaar, dus baseren verpleegkundigen zich op Visual Inspection with Acetic Acid (VIA): ze brengen verdunde azijn aan, zoeken naar witte vlekken en maken soms een foto (cervicografie). VIA is goed in het aanwijzen dat er iets mis kan zijn, maar veel minder betrouwbaar in het inschatten van de ernst van de afwijking. De cruciale klinische beslissing is of een laesie mild is en gecontroleerd kan worden, of ernstig is en onmiddellijke behandeling nodig heeft. De onderzoekers wilden de computer leren deze onderscheiding rechtstreeks uit cervicografiefoto’s te maken.

Computers leren subtiele visuele signalen te lezen

Het team bouwde een twee-fasen systeem rond een modern beeldanalysemodel, bekend als YOLOv11, gekozen om zijn vermogen om snel objecten te vinden en op bescheiden hardware te draaien. Eerst controleert het systeem of een VIA-afbeelding überhaupt een verdachte laesie bevat, op basis van medische regels over hoe de witte gebieden eruit moeten zien en waar ze zich op de cervix zouden moeten bevinden. Als er een laesie aanwezig is, onderzoekt de tweede fase vier visuele kenmerken waar colposcopie-experts op vertrouwen: hoe wit het gebied wordt na het aanbrengen van azijn, hoe glad of ruw het oppervlak lijkt, hoeveel van de transformatiezone het beslaat, en hoeveel van de vier cervicale kwadranten betrokken zijn. Elk kenmerk wordt geanalyseerd door het AI-model of door eenvoudige geometrische regels, en samen leveren ze een rijker beeld van de ziekteernst dan kleur alleen.

Meer data maken uit weinig patiënten

Een groot obstakel was dat hoogwaardige, door biopsie bevestigde beelden, vooral van vroege milde ziekte, zeldzaam zijn. Om dit te overwinnen gebruikte het team een type generatieve AI (StyleGAN-2 met adaptieve augmentatie) om realistische synthetische cervixbeelden te creëren die ondervertegenwoordigde patronen nabootsten. Deze kunstmatige beelden werden alleen voor training en validatie gebruikt, nooit voor de uiteindelijke test. De echte data kwamen uit verschillende bronnen, waaronder grote internationale datasets met colposcopiebeelden en Swede Score-labels, een kleinere maar zeer betrouwbare set met histopathologische bevestiging, en externe verzamelingen uit Indonesische ziekenhuizen en mobiele telefoon-gebaseerde screeningsprogramma’s. Deze mix stelde het model in staat te leren van zowel deskundige beoordeling als goudstandaard weefseldiagnoses.

Meerdere meningen samenbrengen tot één besluit

Zodra de vier sleutelkenmerken uit elke afbeelding waren gehaald, gebruikte het systeem een ensemble-aanpak — in wezen een gestructureerde "stemming" tussen verschillende kenmerk-specifieke classificatoren — om elk geval te labelen als milde of ernstige dysplasie. Vroege experimenten zonder geavanceerde augmentatie bereikten slechts ongeveer 62% nauwkeurigheid, wat aantoont hoe moeilijk de taak is wanneer data schaars en onevenwichtig zijn. Na toevoeging van door GAN gegenereerde trainingsbeelden en zorgvuldige afstemming van het ensemble, behaalde de beste configuratie ongeveer 95% totale nauwkeurigheid op een onafhankelijke, door biopsie bevestigde testset. Het identificeerde meer dan 95% van de ernstige gevallen correct en meer dan 80% van de milde gevallen, terwijl de totale foutclassificatie onder de 8% bleef. Het model presteerde ook consistent op een aparte ziekenhuisdataset, wat suggereert dat het om kan gaan met variaties in apparatuur en lokale werkwijze, hoewel de prestaties terugliepen bij fel verlichte mobiele telefoonbeelden.

Wat dit betekent voor de dagelijkse zorg

Voor niet-specialistische klinieken die al VIA-screening uitvoeren, laat dit werk zien dat gewone cervicografiefoto’s kunnen worden omgezet in een veel informatiever hulpmiddel. Een AI-systeem dat laesies markeert, inschat hoe ver ze zijn uitgezaaid en aangeeft of ze mild of ernstig lijken, kan zorgverleners aan de frontlinie helpen beslissen wie dringend doorverwezen moet worden en wie veilig kan worden gecontroleerd. De auteurs waarschuwen dat hun model nog beperkingen heeft: het leunt deels op synthetische data, is grotendeels getraind op colposcopie in plaats van echte telefoonbeelden uit de praktijk, en is getest op relatief kleine, door biopsie bevestigde sets. Grotere, meer diverse onderzoeken zijn nodig voordat zo’n systeem zelfstandig behandelingsbeslissingen kan sturen. Niettemin tonen de resultaten aan dat het combineren van betaalbare beeldvorming met zorgvuldig ontworpen AI de preventie van baarmoederhalskanker juist in de gebieden die het meest nodig hebben kan versterken.

Bronvermelding: Nurmaini, S., Rachmatullah, M.N., Agustiansyah, P. et al. AI-assisted diagnosis of cervical dysplasia from cervicography images. Sci Rep 16, 9920 (2026). https://doi.org/10.1038/s41598-026-39192-1

Trefwoorden: screening op baarmoederhalskanker, cervicografie, medische AI, deep learning, gradatie van dysplasie