Medische beeldvorming steeds belangrijker voor de oncologie

Het belang van samenwerking tussen medisch specialisten en IT voor de kwaliteit van leven van oncologische patiënten

De medische beeldvorming in de oncologie gaat met sprongen vooruit. De verwerking van beelden en data wordt steeds eenvoudiger waardoor we steeds nauwkeuriger kunnen bepalen welke behandelingen de kwaliteit van leven bevorderen en hoe we deze zo focaal mogelijk kunnen toepassen. Bovendien wordt steeds duidelijker dat het in sommige gevallen verstandiger is om niet te behandelen. Sectra sprak met twee vooroplopende ziekenhuizen die multidisciplinair samenwerken om hun patiënten nóg beter te helpen. We spraken uitgebreid met een aantal thought leaders van het AZ Delta en UMC Utrecht over hun visie op de samenwerking tussen medische beeldvorming, oncologie en IT en het verbeteren van de zorg voor de patiënt.

Pathologie en radiologie leren van elkaar en werken samen in het UMC Utrecht

  • Prof. Dr. Paul J. van Diest, Afdelingshoofd Pathologie, digitale pathologie, preventie, diagnostiek en behandeling van borstkanker
  • Dr. Wouter B. Veldhuis, radioloog, gastrointestinale- en uro-gynaecologische tumoren, borstkanker

 

Vergelijkbare werkprocessen in de pathologie en radiologie

Prof. Dr. Van Diest is afdelingshoofd Pathologie bij het UMC Utrecht en heeft een focus op digitale pathologie en artificial intelligence (AI). Dr. Veldhuis is oncologisch radioloog, en medeoprichter van UMC Utrecht Radiologie-AI startup QuantibU. Van Diest: “Wij zijn ervan doordrongen dat pathologie en radiologie zowel procesmatig als inhoudelijk zeer op elkaar lijken. We zijn alle twee voorvechters van een meer geïntegreerde vorm van diagnostiek en zijn al lange tijd op zoek naar betere integratie- en samenwerkingsmogelijkheden op technisch en inhoudelijk vlak.”

Wat betreft de digitalisatie van medische beeldvorming en workflowoptimalisatie wisselen de pathologie en de radiologie elkaar volgens Veldhuis af: “Wij [radiologen] waren eerder gedigitaliseerd, maar als je kijkt naar gestructureerde verslaglegging, lopen we ver achter. Vooral op prostaat- en borstgebied worden pogingen gedaan om de verslaglegging te structureren. Een systeem zoals PALGA bij de pathologen, dat zou ook voor de radiologie erg nuttig zijn. Van Diest voegt toe: “het verbeteren van de workflow vergt wel een local champion. Iemand moet dat oppakken. Je moet klein beginnen en uitbouwen.”

 

Trends in de digitale pathologie

Digitale pathologie omvat vooral het digitaliseren van weefselcoupes en het inrichten van digitale workflows. Van Diest: “Met Sectra hebben we toegang tot het PIE-platform (Pathology Image Exchange) voor het digitaal uitwisselen van beelden tussen laboratoria voor consulten, intervisies en trials, en mogelijk ook voor onderzoeks- en opleidingsdoeleinden. Nu de digitalisering toeneemt is er meer behoefte voor het over en weer opvangen van diagnostiek. Daarnaast zijn er regionale netwerken aan het ontstaan waar het PACS wordt gedeeld.”

Op het gebied van AI-implementatie zal de workflow de komende tijd nog veranderen. “Idealiter automatiseer je die zodanig dat bewerkingen al klaar zijn op het moment dat we het beeld krijgen, bijvoorbeeld als het systeem ons direct naar de specifieke weefselcoupe brengt waar een afwijking te zien is. Dat gaat tijd besparen.”

We hebben AI-algoritmes lopen die zelf weten wanneer ze moeten starten, zodat er een uitslag is wanneer ik begin met lezen. Dit is heel belangrijk voor patiënten en hier gaan we in de toekomst grote stappen in maken.

Dr. Wouter B. Veldhuis, radioloog, UMC Utrecht

Trends in de radiologie

Binnen de radiologie is geleidelijk veel vooruitgang geboekt: “Als je 15 jaar terugkijkt, is er enorme technische vooruitgang op het gebied van MRI en CT. Mensen worden daarnaast ook veel vaker gescand voor of tijdens de behandeling, of voor onderzoek. We krijgen hierdoor steeds meer en steeds gedetailleerdere beelden binnen. Daar gaan we langzaamaan steeds kwantitatiever naar kijken. Ook spreken specialisten vaker met elkaar, wat onderling begrip en kennis vergroot”, vertelt Veldhuis.

Veldhuis: “We hebben AI-algoritmes lopen die zelf weten wanneer ze moeten starten, zodat er een uitslag is wanneer ik begin met lezen. Dit is heel belangrijk voor patiënten en hier gaan we in de toekomst grote stappen in maken. Een voorbeeld van een gebied waar nu veel aandacht naartoe gaat is prostaatkanker; dit zijn we met AI gestructureerd aan het oppakken. Onze software leest met ons mee, segmenteert de prostaat, berekent de PSA-dichtheid en geeft aan waar waarschijnlijk laesies zitten. Als je die accordeert krijg je het volume van de laesie. Zo word je op een heel traject meegenomen. We hebben nu een dedicated viewer die ons specifiek met de prostaat helpt.

Idealiter wil je dat soort interactie zo veel mogelijk in het PACS hebben zodat het altijd op dezelfde manier werkt en wordt opgeslagen.”

 

Verbeterpunten op korte termijn

De rem op vooruitgang is volgens Veldhuis dat we nog niet echt een systeem hebben voor gestructureerde verslaglegging. “Er ontbreekt bijvoorbeeld ondersteuning voor het multi-gefacetteerde karakter van verslaglegging. Stel, iemand heeft iets bekeken en daar komt dan een expert opinion overheen, of extra klinische informatie komt beschikbaar waardoor de interpretatie van de beelden verandert, dan wil ik dat op een goede manier kunnen vastleggen. We kunnen ontzettend veel leren van een systeem met ondersteuning voor meer readers, metingen en meetvariaties. Meer kennis nuanceert en je wil dat met [tussen]stappen kunnen opslaan. Dat laat zien waar we vaker de fout in gaan, waar we van kunnen leren en waar we het beste in zijn.”

Ook op het gebied van externe en interne beelduitwisseling is nog veel verbetering mogelijk. “Vaak komen beelden uit andere ziekenhuizen binnen met het radiologieverslag slechts als afbeelding, een gescand plaatje, waar ik niet in kan zoeken, en dat ik niet door een computer kan laten analyseren. En als ik een addendum maak, wordt dat niet automatisch en op gestructureerde manier teruggekoppeld naar het oorspronkelijke ziekenhuis”, zegt Veldhuis. “Terwijl de patiënt wel vaak daarheen teruggaat voor een deel van de behandeling en follow-up.” “Ook intern kan gegevensuitwisseling verbeterd worden. Er bestaat bijvoorbeeld nog geen gestructureerde manier van verslaglegging voor verbeterde interpretatie van beelden naar aanleiding van bespreking in een MDO, behalve een [invul]veld in het EPD. Dat maakt het veel moeilijker om er van te leren; en om zeker te weten dat aan belangrijke nuances goede opvolging wordt gegeven.”

 

Er gaat nog wel 10 jaar overheen voordat we daar echt impact van ondervinden, want er is meer samenwerking nodig en meer data die je gestructureerd kunt opslaan. Wat er nu aan AI is, is qua impact nog beperkt. Het is handig, maar niet hetzelfde als een diagnose stellen.

Dr. Wouter B. Veldhuis, radioloog, UMC Utrecht

Ook op het gebied van externe en interne beelduitwisseling is nog veel verbetering mogelijk. “Vaak komen beelden uit andere ziekenhuizen binnen met het radiologieverslag slechts als afbeelding, een gescand plaatje, waar ik niet in kan zoeken, en dat ik niet door een computer kan laten analyseren. En als ik een addendum maak, wordt dat niet automatisch en op gestructureerde manier teruggekoppeld naar het oorspronkelijke ziekenhuis”, zegt Veldhuis. “Terwijl de patiënt wel vaak daarheen teruggaat voor een deel van de behandeling en follow-up.” “Ook intern kan gegevensuitwisseling verbeterd worden. Er bestaat bijvoorbeeld nog geen gestructureerde manier van verslaglegging voor verbeterde interpretatie van beelden naar aanleiding van bespreking in een MDO, behalve een [invul]veld in het EPD. Dat maakt het veel moeilijker om er van te leren; en om zeker te weten dat aan belangrijke nuances goede opvolging wordt gegeven.”

 

Toekomst: verder digitaliseren en vakoverstijgend werken

Binnen 5 jaar hopen Van Diest en Veldhuis de workflow nog verder geoptimaliseerd te hebben, maar volgens Veldhuis “gaat er nog wel 10 jaar overheen voordat we daar echt impact van ondervinden, want er is meer samenwerking nodig en meer data die je gestructureerd kunt opslaan. Wat er nu aan AI is, is qua impact nog beperkt. Het is handig, maar niet hetzelfde als een diagnose stellen.”

Van Diest benoemt een aantal grote winstpunten voor de toekomst van de beeldvorming:

  1. Allereerst is een volledige digitalisering van alle pathologie laboratoria van Nederland nodig, want je moet nu eenmaal eerst de infrastructuur hebben. Nu heeft ongeveer de helft van de pathologie laboratoria een digitale infrastructuur.
  2. Vervolgens moet je zorgen voor de definitieve opslag van beelden. Wij zijn een van de weinige pathologie-afdelingen die ze oneindig lang bewaart. Het is een kostentechnische en infrastructurele uitdaging als de beelden op een gegeven moment verdwijnen terwijl je zo je best hebt gedaan om alles te digitaliseren. Deze beelden moeten ook nog in verschillende patiëntinformatie systemen worden geïntegreerd.
  3. Verder moeten er regionale netwerken ontstaan zodat er gedeelde of zelfs gezamenlijke systemen voor digitale diagnostiek ontstaan. Het PIE-platform zou kunnen worden uitgebreid voor diagnostische doeleinden.
  4. Ook zullen er steeds meer AI-algoritmes lokaal of centraal worden geïmplementeerd.
  5. Voor opleidings- en onderzoeksdoeleinden kan een centraal beeldenarchief worden aangelegd.
  6. Ten slotte kunnen we meer vakoverstijgend gaan werken en disciplines integreren.

Beelden als weg naar gerichte behandeling in het AZ Delta

  • Dr. Goeman (Lieven), uroloog, uro-oncologie, VP Belgische Vereniging voor Urologie
  • Dr. De Smet (Kristof), urologische radiologie (MRI-prostaat), cardiale radiologie (CT, MRI), medisch diensthoofd radiologie
  • Prof. Dr. De Jaeger (Peter), manager leer- en innovatiecentrum RADar

Onze samenwerking omvat het gehele traject, vanaf de eerste klacht of gestegen PSA-waarde bij de huisarts tot en met de eventuele behandeling, het verzamelen van PROMS- en PREMS-onderzoeken, en alle tussenstappen op het niveau van de beeldvorming en verslaglegging. Zo optimaliseren we de deelprocessen voor een beter resultaat.

Dr. De Smet, AZ Delta

Intensieve samenwerking tijdens het hele diagnose- en behandeltraject

Dr. De Smet is diensthoofd radiologie met een subspecialisatie in cardiale- en urologische radiologie in het AZ Delta te Roeselare en heeft een bijzondere interesse in prostaatkanker. Samen met uroloog Dr. Goeman verricht hij onder andere transperineale NMR geleide prostaatbiopsieën. De Smet: “Onze samenwerking omvat het gehele traject, vanaf de eerste klacht of gestegen PSA-waarde bij de huisarts tot en met de eventuele behandeling, het verzamelen van PROMS- en PREMS-onderzoeken, en alle tussenstappen op het niveau van de beeldvorming en verslaglegging. Zo optimaliseren we de deelprocessen voor een beter resultaat.” Dit betreft zowel de feitelijke, harde uitkomsten als de subjectieve appreciatie met betrekking tot de kwaliteit van leven van de patiënt.

Goeman en De Smet werken intensief samen met Prof. Dr. De Jaeger op het gebied van dataverwerking. De Jaeger: “Als ingenieur probeer ik de behoeften van de artsen in een mooi proces te gieten. Dan wordt duidelijk waar samenspraak is en waar verbeteringen mogelijk zijn.” Volgens hem is het ziekenhuis van de toekomst een plek waarbij specialisten niet alleen patiëntdata verzamelen, maar deze ook samenvoegen om ervan leren. “Vroeger had je een foto, nu krijg je een dynamisch verslag. Je weet wat je wel of niet moet doen, het is therapiebepalend.”

 

De rol van MRI bij prostaatkanker

De Smet: “Na doorverwijzing ligt een MRI in het verlengde van het eerstelijns onderzoek. De beelden zijn nodig om een eventuele prostaatletsels een PI-RADS-classificatie te geven.” Volgens hem vervult de MRI twee rollen, namelijk die van pre-biopsie-gatekeeper als onderdeel van de risicoanalyse en als navigator wanneer een biopsie toch nodig is. “Met zo’n MRI kunnen we, in combinatie met de andere parameters zoals PSA-waarde en lichamelijk onderzoek, bepalen of een biopsie gewenst is of niet. Wij willen daarbij niet alleen uit een groot cohort [zoals bij prostaatwijzer.nl] leren, maar ook uit onze eigen patiëntenpopulatie.” Een MRI zorgt dat we dit zo gericht mogelijk kunnen doen. “Een focale biopsie is anders dan de gebruikelijke systematische biopsie.” In sommige gevallen vindt andersom toch een systematische biopsie plaats op basis van verkregen data, ondanks een MRI zonder duidelijk letsel.

We willen geen schade creëren door iets te behandelen wat niet levensbedreigend is en ook geen invloed zou kunnen hebben op zijn kwaliteit van leven. Om deze beslissingen nog beter te kunnen nemen voeren we data-analyses uit.

Dr. Goeman, AZ Delta

Behandelen is niet altijd nodig

In een multidisciplinaire samenwerking is gestructureerde en gestandaardiseerde verslaglegging van groot belang. De Smet: “Dat laat ons toe slimmer te worden met die data, te zorgen dat we ervan leren en het beter gaan doen op termijn.” Alle verkregen informatie kan worden gebruikt om algoritmes te trainen en om het meest persoonlijke resultaat voor de patiënt te krijgen. “We kunnen dan met precision medicine beter de zorg bieden die de patiënt verwacht.”

Het team zit in een transitie waarbij op een meer geïntegreerde manier wordt gerapporteerd en de patiënt nog minder vaak onnodig wordt behandeld. Goeman: “Niet onnodig behandelen is het belangrijkste resultaat van deze samenwerking. Het is voor ons belangrijk om een patiënt een zo optimaal mogelijke kwaliteit van leven te kunnen bieden. Als iemand niet behandeld wordt, wil dat niet zeggen dat hij is genezen, maar we kúnnen ook zeggen: hij moet niet nú behandeld worden. We willen geen schade creëren door iets te behandelen wat niet levensbedreigend is en ook geen invloed zou kunnen hebben op zijn kwaliteit van leven. Om deze beslissingen nog beter te kunnen nemen voeren we data-analyses uit.” De Smet voegt toe: “De evolutie die we nu doormaken zit in zeer precieze diagnostiek en écht weten wat er aan de hand is, zodat een [eventuele] behandeling zo lokaal mogelijk is.”

 

Voorbij de PI-RADS-score

De eerste winst bij de optimalisatie van de workflow zit in het verhogen van de performance en continuïteit. De Jaeger: “De grootte van de databestanden valt nu nog mee omdat dit tekstuele data is. Dat zijn getallen en waarden. Het beeld wordt nu vertaald naar een PI-RADS-score, maar het zou [nog] beter zijn om een soort convolutienetwerk te kunnen maken, waarbij karakteristieke eigenschappen direct uit het beeld gehaald- en gecombineerd worden met de PSA-data uit het laboratorium. Dan krijg je een nóg objectiever systeem. Dat vergt meer opslag en dataverwerking, maar dat is versie 2.0. We gaan eerst verder met versie 1.0, met de relatief eenvoudige data. In Vlaanderen is het overigens mogelijk om voor rekenintensieve taken het gesubsidieerde Vlaamse supercomputercentrum te gebruiken.”

 

Een systeem dat continu bijleert

De Jaeger: “Uiteindelijk is de uitkomst voor de patiënt het belangrijkst. Als we de data structureel verzamelen, kunnen we een apart model trainen en voorspellen wat de uitkomst is bij behandeling A of B. Als dat niet duidelijk is zijn er ook discussies, waarbij we artsen veel meer data gedreven kunnen ondersteunen. De bedoeling is om afwegingen een stuk objectiever te maken.” Goeman vult aan: “We willen zo veel mogelijk data die nu nog ‘grijs’ zijn er uit halen, oftewel zo analyseren dat het richting geeft.” De Jaeger: “Als we het systeem wekelijks kunnen hertrainen vergt dat nu eerst datavoorbereiding, maar dan heb je later wel echt een machtig systeem dat continu bijleert.”

 

AI verschuift takenpakket radioloog

De beelden zullen in de toekomst waarschijnlijk minder op het oog geïnterpreteerd worden, hoogstens in de testfase van een algoritme. De Smet: “Dat gaat samen met een transitie in de radiologie, van visuele interpretatie naar een nieuw takenpakket dat bestaat uit een stuk health technology assessment, waarbij je algoritmes selecteert en binnenhaalt op basis van de performance [voor de use case]. Vervolgens waak je over de kwaliteit van de gegenereerde data. Op basis van veel meer diepgaande analyses verricht je consultancy richting de verwijzers en het proces dat de patiënt doorloopt.” Health technology assessment, quality management en clinical consultancy zijn hierbij nieuwe kerntaken voor de radioloog, waarbij AI de noodzakelijke tijd voor de radioloog vrijmaakt en verdere inhoudelijke verdieping faciliteert. Vanuit die hernieuwde focus zal de rol van de radioloog alleen maar aan relevantie winnen.”

 

Gericht behandelen en multidisciplinair samenwerken

Aan ambitie ontbreekt het bij het AZ Delta niet op het gebied van prostaatkanker. De Smet: “Met de huidige snelheid is er over 5 jaar al enorm veel veranderd. Ik hoop binnen een jaar onze eerste focale behandeling te verrichten.” De Jaeger voorziet als eerst een versnelling van PROMS-onderzoeken als basis voor het trainen van algoritmes.

De geïnterviewden raden anderen naast een zo gestructureerd mogelijke dataverwerking een goede samenwerking tussen datawetenschappers en specialisten aan. Dat vraagt op termijn om de nodige consolidatie in de sector. De Smet: “Ik denk dat dit de toekomst is van alle domeinen. Als je kijkt naar het voorbeeld van prostaatkanker, dan neemt dit alleen in incidentie toe – the only prevention is not to grow old. Het is een zeer belangrijk probleem voor mannen en daar moeten we die nieuwe manier van werken voor inzetten.”

Multidisciplinaire samenwerking vergt open communicatie en afstemming van de verschillende expertises. Goeman: “Het zit in de tijdgeest en opleidingsgeest dat bijvoorbeeld urologen en oncologen anders kijken naar eenzelfde casus. Dankzij beeldvorming hebben we nu een beter beeld van hoe een tumor zich gedraagt. Urologen kijken soms nog te vaak naar biomarkers zoals de PSA-waarde en dat zijn een soort snapshots. Nu hebben we gezien dat we meer met radiologen kunnen samenwerken en wat je allemaal met deze data kunt doen.” De Jaeger besluit: “Ik denk wel dat we een voortrekkersrol hebben. Hoe meer data, hoe correcter de uitslag [kan worden]. Het is goed als meer mensen meedoen, we doen het uiteindelijk voor de patiënt.”

Meer informatie?

Boek een meeting tijdens de RSNA
RSNA 2022
Event | Radiology imaging | AI in medical imaging | Breast imaging | Cardiology imaging | Digital pathology | Enterprise imaging | Enterprise platform | Medical education | Orthopaedics | Share and collaborate