Neuraal netwerk bekijkt uitstrijkjes

Wat waren ze kwaad! Dat ze hen zo op de proef had durven stellen. Alsof ze niet te vertrouwen waren. Mathilde Boon, directrice van het Leidse Laboratorium voor Cytologie en Pathologie riep heel wat over zich af toen ze eind jaren tachtig besloot om haar medewerkers op de proef te stellen.

In haar laboratorium werden indertijd een groot aantal preparaten van uitstrijkjes bekeken op de aanwezigheid van cellen die duiden op het ontstaan of de aanwezigheid van baarmoederhalskanker. Bij het screenen van dergelijke preparaten moet je op zoek naar die paar kwaadaardige cellen te midden van een paar honderdduizend andere. Dat is te vergelijken met het vinden van één enkele spelfout in een heel boek. Bovendien liggen de cellen veelal over elkaar heen, is het contrast soms niet optimaal en zijn er altijd talrijke bloedcellen en artefacten als luchtbellen en stofdeeltjes aanwezig. Dat vraagt veel van een analist, de hele dag turend door een microscoop en met niet meer tijd per uitstrijkje dan zo'n tien minuten. Een bijna onmogelijke opgave zeker aan het einde van een lange dag. Toch is het van belang om het aantal fout-negatieve uitstrijkjes - niet opgespoorde kankergevallen - zo klein mogelijk te maken. Recente onderzoeken schatten het percentage 'met de hand' opgespoorde kankergevallen echter niet hoger dan 85 procent: de rest wordt eenvoudig over het hoofd gezien. Dat kun je overigens niemand verwijten, alleen een gewaarschuwd mens zou in staat zijn om die paar kankercellen te ontdekken.

Dat was een van de redenen dat Boon en haar toenmalige collega 'stiekem' vijfentwintig preparaten van gemiste carcinomen tussen de dagelijkse stroom insmokkelden en zoals ze al hadden vermoed, werd er daarvan maar eentje ontdekt. Toen ze dit vertelde waren de reacties van de analisten furieus en eiste men een nieuwe kans. Die kregen ze. Ze deden weliswaar twee keer zo lang over hun werk, maar nu werden veel meer vermeende kankergevallen gesignaleerd dan eerst. De meesten daarvan waren echter vals alarm: kijken met voorkennis is ook weer niet goed. Voor Boon was dit alles in elk geval aanleiding om naar een betere screeningmethode op zoek te gaan. Die vond ze op een congres in Finland waar een klein bedrijfje uit de Verenigde Staten, Neuromedical Systems Inc. (NSI), een revolutionair nieuwe computermethode presenteerde op basis van een 'neuraal netwerk'. NSI was in 1988 opgericht door Mark Rutenberg, een voormalig medewerker van de NASA. Daar had hij zich in de jaren tachtig bezig gehouden met de detectie van inkomende vijandelijke raketten. In het kader van Reagans Strategic Defense Initiative was er behoefte aan een systeem dat binnen een fractie van een seconde een vanuit onbekende richting aanstormend projectiel zou kunnen opsporen. Bovendien werd geëist dat zwermen vogels niet tot ongewenste alarmsituaties mochten leiden.

Knooppunten

Rutenberg ontwikkelde een methode op basis van een neuraal netwerk, maar zag al snel dat er op andere gebieden meer mogelijkheden lagen voor dergelijke 'zelf-lerende', parallelle computers. Een neuraal netwerk - gemodelleerd naar de zenuwcellen of neuronen in het menselijk brein - bestaat uit een verzameling knooppunten of nodes die in een aantal lagen zijn gerangschikt en onderling met elkaar verbonden zijn. Deze verbindingen zijn echter niet altijd even sterk, maar afhankelijk van de eerder door het netwerk opgedane ervaring. Hoe sterker de verbinding tussen twee cellen, hoe groter de kans dat deze met elkaar 'communiceren'. Dat laatste gebeurt door middel van pulsjes. Wanneer informatie wordt ingevoerd in de eerste laag, 'verplaatst' deze zich door het netwerk. Uiteindelijk wordt de output van de onderste laag vergeleken met het gewenste antwoord en op grond hiervan worden de sterktes van de verbindingen tussen de nodes aangepast. Een neuraal netwerk maakt dus geen gebruik van vaste regels, zoals een standaard computer-algoritme, maar leert aan de hand van een groot aantal voorbeelden uit een trainingsset. Hierdoor zijn ze in staat om te generaliseren, kunnen ze aan een klein stukje toch het geheel herkennen en zijn ze derhalve heel goed te gebruiken voor patroonherkenning. Toepassing bij de interpretatie van ingewikkelde microscoopplaatjes van uitstrijkjes lag dus misschien wel voor de hand.

Toen Rutenberg eenmaal in zijn garage in New York een werkend systeem had ontwikkeld, ging hij naar een in de Verenigde Staten zeer vooraanstaand cytoloog (een arts gespecialiseerd in celdiagnostiek) Leo Koss, die hem aanhoorde, beweerde dat zoiets volgens hem nog niet mogelijk was, maar desondanks wel bereid bleek om de proef op de som te nemen. De PAPNET-scanner - naar George Papanicolau, de Grieks-Amerikaanse arts die bijna vijftig jaar geleden het uitstrijkje heeft ontwikkeld - slaagde glansrijk en heeft sindsdien keer op keer zijn waarde bewezen. In de Verenigde Staten heeft NSI binnenkort twee vestigingen met in totaal zestig (dubbele) scanners, in Hong Kong staan er zes en in juni 1994 werd een Europese vestiging geopend in Amsterdam. Daar worden met eveneens zes scanners uitstrijkjes behandeld uit heel Europa.

Standaardprotocol

Inmiddels is er een standaardprotocol ontwikkeld voor het uitvoeren van de hele procedure. Vanaf het moment dat de dozen met microscoopglaasjes bij NSI in Amsterdam binnenkomen, worden ze voortdurend gevolgd via barcode scanners en een computerdatabase. Er komt op dit moment nog wel enig handwerk aan te pas, voordat het neurale netwerk uiteindelijk de beelden kan analyseren. Zo moeten bijvoorbeeld de afmetingen van de dekglaasjes die de uitstrijkjes beschermen, met de hand worden ingevoerd, iets wat volgens sales en marketing manager Marc Gnodde overigens binnenkort ook zal worden geautomatiseerd. Dan neemt de scanner het over. Een robotarm pakt voorzichtig een objectglaasje uit de doos en plaatst deze onder de microscoop waarop zich een hoge-resolutie-videocamera bevindt. Met een kleine vergroting worden nu de plekken waar de cellen liggen geïdentificeerd, dit om het neurale netwerk geen nutteloos werk te laten doen. Hiervoor wordt gebruik gemaakt van een 'gewoon' computeralgoritme. In de volgende stap wordt een hogere vergroting gekozen en raast het microscoopobjectief opnieuw over het glasplaatje.

Op een monitor schieten de beelden voorbij: rood wanneer het neurale netwerk groepjes cellen bekijkt en blauw wanneer afzonderlijke cellen worden onderzocht. Het is met het blote oog nauwelijks te volgen, maar dat kan ook niet anders, want alle cellen moeten worden bekeken. Uiteindelijk worden de 128 meest verdachte plekken bij een nog hogere vergroting gescand, opnieuw in twee clusters: groepen en afzonderlijke cellen. Deze beelden worden samen met de identificatie van het uitstrijkje op een DAT-tape gezet. In zo'n vijf à zes minuten is de hele analyse voorbij. Na een steeksproefsgewijze kwaliteitscontrole wordt de gehele 'batch' dan weer naar de klant, bijvoorbeeld een ziekenhuislaboratorium, teruggestuurd. Uiteindelijk neemt daar een analist en / of een patholoog op grond van de 128 beelden een beslissing. Het neurale netwerk fungeert dus alleen maar als een kunstmatig intelligent filter, dat overigens nog altijd bijleert: vanuit het moederbedrijf worden van tijd tot tijd nieuwe versies van de software verstuurd.

Mathilde Boon is in Nederland de eerste geweest die het belang van de PAPNET-scanner bij het voorkomen van fout-negatieve uitslagen heeft ingezien. Een paar maanden geleden werd in haar laboratorium in Leiden het honderdduizendste uitstrijkje gescreend. Ze heeft ook al door middel van diverse onderzoeken en analyses de waarde van het systeem aangetoond. Voor de meest recente evaluatie werden in anderhalf jaar niet minder dan 78.000 uitstrijkjes gescreend, waarvan grofweg de helft via PAPNET en de helft met de hand. Vervolgens werd door middel van weefselonderzoek een validatie verkregen. Ten opzichte van een conventionele screening werden er twee maal zo vaak carcinomen opgespoord. Het artikel over dit onderzoek werd in eerste instantie aangeboden aan het gezaghebbende medisch tijdschrift The Lancet, dat het afwees met als voornaamste reden dat het om een gepatenteerde techniek handelde en daarom niet geschikt was voor een wetenschappelijk tijdschrift. Na een uitgebreide briefwisseling overreedde Boon de redactie om een editorial te wijden aan de toepassing van neurale netwerken binnen een aantal verschillende medische disciplines, zoals de analyse van ECGs en mammogrammen. Hierin werd PAPNET ook uitgebreid besproken.

Ook de resultaten van een binnenkort te publiceren Zwitserse studie zijn zeer overtuigend. Hierin werden een groot aantal zogenaamde archiefuitstrijkjes, waarvan de follow-up bekend was, zowel handmatig als met PAPNET gescreend. Waar PAPNET slechts twee procent fout-negatieve uitslagen te zien gaf, had de standaardmethode er vijf keer zoveel. Onlangs werd ook in de Verenigde Staten de zo belangrijke erkenning door de strenge Food and Drug Administration (FDA) verkregen na een procedure die vier jaar in beslag nam. Binnen een grote, goed gecontroleerde studie werden in negen academische ziekenhuizen en een groot commercieel laboratorium de uitstrijkjes bekeken van ongeveer 10.000 vrouwen. Hoewel deze in het verleden allemaal 'met de hand' als negatief waren beoordeeld, was er toch in meer dan 200 gevallen kanker opgetreden. PAPNET-scanners wisten echter bijna 32 procent van deze gevallen als fout-negatief te ontmaskeren. De PAPNET-methode werd dan ook officieel goedgekeurd als routine-aanvulling op de standaard screening.

Schattingen

Het is belangrijk dat er op zo groot mogelijke schaal preventief bevolkingsonderzoek wordt verricht. Volgens schattingen van het American National Cancer Institute sterven er jaarlijks over de hele wereld meer dan 450.000 vrouwen aan de gevolgen van baarmoederhalskanker. In Nederland wordt 70 procent van de vrouwen tussen de dertig en zestig gescreend, hetgeen neerkomt op zo'n 700.000 à 800.000 uitstrijkjes per jaar. Hiervan wordt maar een relatief klein gedeelte met behulp van PAPNET gescreend. De Nederlandse Vereniging voor Pathologie heeft zich dan ook nog niet uit willen spreken over de PAPNET-methode, dit tot grote teleurstelling van Mathilde Boon: “Zonder een uitspraak van het bestuur zullen mijn collegae de kat uit de boom blijven kijken. En dat is jammer, want deze techniek leidt niet alleen tot een betere screening, maar maakt ook de baan van een analist veel interessanter en minder emotioneel beladen. Het is nu eenmaal zeer traumatisch om te horen dat een vrouw is overleden omdat er kankercellen in haar uitstrijkje over het hoofd zijn gezien!” Ze hoopt dan ook dat nu FDA-approval is verkregen het roer omgaat en er een positief advies uit zal gaan in de richting van de Ziekenfondsraad en het Centraal Orgaan Tarieven Gezondheidszorg (COTG). Momenteel wordt het bevolkingsonderzoek echter geherstructureerd. Zo gaat de organisatie ervan voor een deel over van de GGDs naar de integrale kankercentra en is het besluit genomen om vrouwen nog maar om de vijf jaar te screenen, iets wat nu driejaarlijks gebeurt. Gnodde van het NSI signaleert terecht dat hierdoor de detectiekans afneemt. Maar helaas zijn de financiën beperkt en is het bedrag dat nu beschikbaar is voor het screenen van elk uitstrijkje gewoonweg niet toereikend. Boon: “In 1969, toen ik met de cytologie begon, werd er ƒ 56,- voor het beoordelen van een uitstrijkje betaald en nu nog maar ƒ 28,50. Zoals overal in de geneeskunde zie je een verschuiving van de geldstroom van het veld, waar het werk verricht wordt, naar de regelneven in hun glanzende kantoren.” Laboratoria moeten dus zelf voor financiering zorgen wanneer ze kiezen voor de (duurdere) screening via NSI.

Concurrentie is er nauwelijks. Er is weliswaar een systeem in ontwikkeling dat gebruik maakt van conventionele beeldanalyse-routines, maar hiervoor moeten alle cellen los van elkaar liggen, hetgeen een extra preparatiestap vergt. Daarnaast is er in de Verenigde Staten een systeem op de markt dat uit een grote verzameling uitstrijkjes een van te voren in te stellen percentage selecteert, dat opnieuw zou dienen te worden bekeken. Er wordt dus niet aangegeven welke het meest verdacht zijn en Gnodde signaleert nog een nadeel: “De kans op fout-positieve gevallen wordt in dit geval weer veel groter, omdat een analist de tweede keer waarschijnlijk extra gespitst is, omdat de computer die gevallen niet voor niks zal hebben geselecteerd.” Maar ook bij NSI zelf zit men niet stil. Zo wordt er op dit moment in de Verenigde Staten hard gewerkt om het huidige neurale netwerk 'bij te scholen'. Daardoor zou de PAPNET-technologie geschikt worden voor de opsporing in een vroeg stadium van andere vormen van kanker als die van de longen, blaas en borst.