De toepassing van voorgetrainde grote visueel-taalmodellen voor voorlopige diagnose van witte plaques in de slokdarm bij grootschalige screening op slokdarmkanker

Waarom deze plekken in de keel ertoe doen

Tijdens routinematige maag- en keelonderzoeken zien artsen vaak kleine witte plekjes in de voedselpijp, de slokdarm. De meeste zijn onschadelijk, maar sommige wijzen op vroegtijdige kanker die te genezen is als ze tijdig wordt ontdekt. Het onderscheiden van deze op elkaar lijkende vlekken in drukke screeningsprogramma’s is lastig, zelfs voor deskundigen. Deze studie onderzoekt of een geavanceerd kunstmatig intelligentiesysteem artsen kan helpen om snel gevaarlijke plekken van onschuldige te scheiden en zelfs in gewone taal te beschrijven wat het ziet.

Veelvoorkomende witte plekken met zeer verschillende risico’s

Witte plekken in de slokdarm komen verrassend vaak voor: in dit grote screeningsprogramma had meer dan één op de vijf patiënten ze. Deze plaques kunnen echter door zeer verschillende oorzaken ontstaan. Sommige zijn vroege slokdarmkankers, die zich tonen als licht verheven, ruwe witte gebieden die niet weg te vegen zijn. Andere worden veroorzaakt door een schimmelinfectie, die zachte witte afzettingen vormt die kunnen afschilferen en rauw weefsel blootleggen. Weer andere zijn kleine goedaardige gezwelletjes die papillomen worden genoemd, of vlakke korrelige plekken bekend als glycogene acanthose, die meestal ongevaarlijk zijn en geschikt voor eenvoudige controle. Omdat de behandelingskeuzes variëren van dringende biopsie tot eenvoudige observatie, is het cruciaal om deze eerste visuele beoordeling goed te doen.

Endoscopiebeelden omzetten in slimme begeleiding

De onderzoekers bouwden een computerondersteund diagnosesysteem bovenop een krachtig visie‑taalmodel bekend als BLIP, oorspronkelijk getraind op enorme verzamelingen afbeeldingen en tekst. Ze voedden het systeem met 13.922 endoscopiebeelden van meer dan 2.000 patiënten, die de vier belangrijkste oorzaken van witte plaques dekken en zowel standaard witlichtbeelden als een speciale contrastmodus genaamd narrow‑band imaging gebruiken. In tegenstelling tot eerdere tools die alleen een ziekteaanduiding toekennen, doet dit systeem twee dingen tegelijk: het voorspelt welke van de vier aandoeningen aanwezig is en genereert een korte geschreven beschrijving van wat het ‘ziet’ in de afbeelding, zoals de locatie en het uiterlijk van de plaques.

AI meer leren met beperkte medische gegevens

Collecties medische beelden zijn klein vergeleken met alledaagse fotoarchieven, wat de AI‑prestaties kan beperken. Om dit aan te pakken voegde het team speciale modules voor “positieve‑incentiveruis” toe aan het BLIP‑model. In eenvoudige termen creëren deze modules subtiele, data‑gedreven variaties van elke afbeelding en van de interne featurekaarten van het model, waardoor het systeem wordt aangespoord robuustere patronen te leren zonder te worden overspoeld door willekeurige veranderingen. Het model werd vervolgens fijn afgesteld zodat zijn beeldbegrip nauw aansloot bij de deskundige diagnoses en tekstbeschrijvingen van ervaren endoscopisten.

Beter dan concurrerende modellen en menselijke experts

Bij tests versloeg het nieuwe systeem verschillende toonaangevende beeld‑alleen AI‑modellen op alle belangrijke prestatiemetingen voor alle vier ziekten, en dit voor beide endoscopiemodi. Het overtrof ook een gespecialiseerd medisch visie‑taalmodel genaamd LLaVA‑Med in de taak om nauwkeurige diagnostische trefwoorden in zijn tekstbeschrijvingen te genereren. In een directe “leeswedstrijd” tegen vier endoscopisten — twee senioren en twee junioren — bereikte de AI een hogere algehele nauwkeurigheid bij het classificeren van afbeeldingen. Het meest opvallend was dat het beter was dan alle artsen in het opsporen van vroege slokdarmkanker, vooral wat betreft recall, wat betekent dat het minder kankergevallen miste terwijl het een solide precisie behield.

Wat dit kan betekenen voor toekomstige controles

De studie suggereert dat zorgvuldig aangepaste visie‑taal‑AI een waardevolle assistent kan worden in grootschalige screeningsprogramma’s. Zo’n systeem zou verdachte witte plaques in realtime kunnen signaleren, het aantal gemiste vroege kankers verminderen en veel patiënten sparen van onnodige biopsieën door artsen te geruststellen wanneer een afwijking er veilig goedaardig uitziet. Het werk moet nog worden getest op endoscopievideo’s, op zeldzamere typen witte plaques en in meerdere ziekenhuizen, maar het wijst op een toekomst waarin AI niet alleen problemen in medische beelden opspoort, maar ook zijn redenering uitlegt in taal die snellere, consistentere klinische beslissingen ondersteunt.

Bronvermelding: Li, Y., Li, X., Zhang, D. et al. The application of pre-trained large visual-language models for preliminary diagnosis of esophageal whitish plaques in large-scale esophageal cancer screening. npj Precis. Onc. 10, 94 (2026). https://doi.org/10.1038/s41698-026-01301-8

Trefwoorden: screening op slokdarmkanker, endoscopie AI, visie-taalmodellen, computerondersteunde diagnose, witte slokdarmpalques