Kleuren tegen kanker

Het intekenen van een tumor is vandaag een tijdrovend proces. Want wanneer je als kankerpatiënt radiotherapie ondergaat, wil je natuurlijk dat de arts deze zo precies mogelijk bestraalt. Maar… wat als je sinds je laatste therapie afgevallen bent of wat als de tumor intussen gekrompen is? Fysicus Jeffrey De Rycke (UGent) zocht in zijn masterproef naar een oplossing en vond die in machine learning.

Kanker is nog steeds één van de grootste vijanden van de mens. Een universele oplossing ligt niet voor de hand. Het is immers niet één ziekte, maar een verzameling van meer dan honderd varianten. Daarom bestaan er intussen ook verschillende behandelingen.

Bij radiotherapie bestraalt de behandelende arts de tumor met ioniserende straling. Hierbij wil hij of zij uiteraard zo weinig mogelijk gezond weefsel raken - gelukkig is dit vandaag op twee manieren mogelijk.

Gezonde organen sparen

Het eerste principe steunt op het verschil in stralingsgevoeligheid tussen tumoren en gezond weefsel. Gezonde cellen zijn beter in staat zichzelf te herstellen dan kankercellen. Vooral bij lage stralingsdosissen is dit verschil relatief sterk. Daarom kiest men er vaak voor de tumor meerdere keren over meerdere dagen te bestralen. Zo wordt de tumor stukje voor stukje kapot bestraald, terwijl het gezonde weefsel tijd heeft gehad om te herstellen tussen twee bestralingen door.

Tumortekenen

Voor de tweede manier gaat men de tumor en de gezonde organen zo precies mogelijk opsporen. Hiervoor neemt men een CT-scan van de patiënt. Dit levert een 3D-beeld op dat gemakkelijk uit meer dan 250 gewone beelden kan bestaan. Daarna is het een kwestie van zo accuraat mogelijk de organen en de tumor in te tekenen in gespecialiseerde software - een soort professionele kleurplaat voor oncologen. Deze software stelt met die informatie automatisch een stralingsplan op. Het doel: de gezonde organen zoveel mogelijk sparen en de tumor voldoende bestralen.

Maar het intekenen van de organen kan redelijk wat tijd innemen. Ook is deze intekening niet permanent, de patiënt kan afvallen of de tumor kan krimpen tussen twee bestralingen door. Wat als er een methode bestond die de organen automatisch intekende? Dan zou men veel sneller kunnen starten aan de behandeling én zou men de stralingsplannen kunnen aanpassen tussen twee bestralingen.

Machine learning

Hoe leert een baby wandelen? We proberen recht te staan, vallen om en proberen opnieuw. Elke poging leren we wat meer. Hoe houd ik mijn balans? Hoe kan ik de ene voet voor de andere zetten zonder om te vallen? Elke keer leren we van onze vorige actie en worden we beter.

Als we een machine zouden maken die hetzelfde leerproces heeft, dan zouden we geen gesofisticeerde algoritmes en diepgaande programma’s moeten schrijven. Slechts een algemene structuur die eender welke taak kan leren door deze taak keer op keer uit te voeren en zichzelf te verbeteren door de gekregen feedback.

Dit is de basis van machine learning. We geven het computermodel een doel,
definiëren een maatstaf die ons model vertelt hoe goed het de taak kan uitvoeren en zorgen ervoor dat het model zichzelf kan verfijnen aan de hand van deze feedback.

RayStation

Voor zijn masterproef trainde De Rycke een model dat automatisch de organen intekent op de CT-beelden. Dit model verlicht het werk van de clinici en vermijd verschillen tussen het werk van clinici onderling.

De Rijcke: “We gingen ook een stap verder dan vorige onderzoeken. Deze gebruikten vaak technische machine learning standaarden om te oordelen of de intekening al dan niet gelukt was. Wij laadden de resultaten op in RayStation, een computerprogramma dat stralingsplannen opmaakt, en vergeleken ze zo met de originele intekening. Het zijn uiteindelijk de resultaten van de radiotherapie bij de patiënt die het beste vertellen of ons model al dan niet toegepast kan worden en niet de technische machine learning metrieken.”

En met succes. “Onze ingetekende beelden werden positief onthaald door een klinisch expert van het UZ Gent. In de toekomst willen we het model verder verfijnen door meer data te gebruiken en meer organen te leren herkennen. Ook willen we een 3D-model opbouwen door de intekening van een CT-beeld niet van enkel dat beeld te laten afhangen, maar ook van de CT-beelden ervoor en erna.”

De intekening van een CT-beeld. Rood: hart, lichtblauw: longen, paars: slokdarm, geelgroen: ruggenmerg. Volle lijn: originele intekening, stippellijn: eigen gegenereerde intekening.

3D-beeld van de intekening. De aangeduide doorsnede is het CT-beeld van de figuur hierboven.

Promotoren: prof. dr. ir. Barbara Vanderstraeten en prof. dr. Luc Van Hoorebeke

Lees de scriptie

Dit artikel verscheen in de herfsteditie van de Vlaamse Scriptiekrant.