078-2034021 algemeen@3bplus.nl

We schrijven met grote regelmaat over nieuwe ontwikkelingen in de zorg. Ook deze week stuiten we op een bijzonder nieuwsbericht (via ICT&health), waarin Koen Eppenhof meer vertelt over zijn onderzoek naar de toegevoegde waarde van Artificial Intelligence (AI), neurale netwerken en deep learning bij medische beeldanalyse.

Snellere MRI-analyse met Artificial Intelligence

Het huidige probleem is tweeledig. 1) Wanneer er een MRI- of CT-scan gemaakt wordt, ligt de patiënt eigenlijk nooit helemaal stil. 2) En wanneer er voor de tweede keer een scan nodig is, ligt de patiënt eigenlijk nooit op exact dezelfde plek. Dat de huidige situatie problematisch is, blijkt bijvoorbeeld wanneer een chirurg zich bij een operatie moet kunnen vasthouden aan deze scans! Eppenhof heeft met zijn onderzoek aangetoond dat deze verschillen in real-time kunnen worden gecorrigeerd met behulp van AI en deep learning. Vooral dat “real-time” is belangrijk. Dat is namelijk nog niet eerder gelukt en heel belangrijk, aangezien er soms nog op de operatietafel nieuwe scans gemaakt moeten worden. En dan is haast natuurlijk geboden.

De tekst gaat verder onder de afbeelding.

Pixels koppelen met een diep neuraal netwerk

Bij deze AI-toepassing wordt elke pixel in de originele afbeelding gekoppeld aan de overeenkomstige pixel in de nieuwe scan. Hiervoor trainde trainde Eppenhof een diep neuraal netwerk met duizenden voorbeelden. Daarna bleek zijn toepassing bijna net zo goed te presteren als menselijke experts. Ook bleek het AI-systeem snel! Analyses worden in minder dan een seconde uitgevoerd, oftewel vrijwel in real-time.

Ook bijzonder: omdat er weinig scans van longen tijdens verschillende momenten van het ademhalen beschikbaar waren, moest er beeld gesimuleerd worden. Doordat het AI-systeem van Eppenhof het zo goed doet, mag gesteld worden dat neurale netwerken ook getraind kunnen worden met gesimuleerde gegevens.

Hoe werkt beeldanalyse met AI?

Laten we eens wat dieper ingaan op beeldanalyse met AI. AI kan honderdduizenden afbeeldingen analyseren en specifieke patronen of afwijkingen in de pixels identificeren. Door het systeem te trainen met grote hoeveelheden data kan het systeem tot beslissingen of inzichten komen. Het mooie is dat we al over een schat aan scans (de trainingsdata) beschikken, die verzameld, gecategoriseerd en opgeslagen zijn bij medische instellingen. Zodoende kunnen we AI trainen, niet alleen om scans te verzamelen en te categoriseren, maar om deze scans te analyseren om een groot aantal aandoeningen te identificeren, van botbreuken tot longontsteking en kanker. Een voldoende geavanceerd systeem zal beeldgegevens uiteindelijk ook kunnen combineren met andere soorten medische gegevens.

Beeldanalyse door artsen is erg tijdrovend. AI kan scans tot wel 1.000 keer sneller analyseren: een bijna-real-time beoordeling. Het gaat echter niet alleen om een tijdsbesparing. AI lijkt vaak ook nog nauwkeurig dan mensen. Eigenlijk heel logisch, aangezien een AI-systeem bijvoorbeeld nooit vermoeid is en natuurlijk op nuances kan inzoomen die aan het menselijk oog ontsnappen. Uiteraard is het (nu nog) onverantwoord om een AI-systeem alle beslissingen in zijn uppie te laten nemen. Wel is het mogelijk om de efficiëntie verbeteren door het AI-systeem de zorgverlener op interessante/afwijkende punten in beelden te wijzen. Als we de tijd tussen het maken van scans en het interpreteren ervan kunnen verkorten, kunnen we mensen sneller zorg bieden.

Concrete toepassing van AI in de zorg

We gaan nog even terug naar het systeem van Eppenhof. Hoe zou dit AI-systeem toegepast kunnen worden? We geven een voorbeeld: in het UMC Utrecht worden patiënten met prostaatkanker bestraalt in een MRI-scanner. Positiebepaling is cruciaal voor de precisie van de bestraling. Helaas beweegt een prostaat, omdat de blaas er tegenaan drukt en die zich natuurlijk met urine vult. De methode van Eppenhof is snel genoeg om de beweging van de prostaat te volgen en dus de bestraling in real-time bij te stellen!

Er is echter nog wel een probleempje… Aangezien er gebruik is gemaakt van deep learning, weten we niet precies hoe het systeem tot zijn beslissingen komt – de zogenoemde black box. En dat maakt beoordeling door de autoriteiten die de methode goed moeten keuren natuurlijk lastig. Meer details over het promotieonderzoek vind je hier.

Meer lezen over dit onderwerp?

Misschien vind je deze artikelen ook interessant:

Wat 5G en AI samen kunnen bereiken in de gezondheidszorg
40 procent Nederlanders staat open voor zorg op afstand
Waarom we moeten investeren in AI (voor de zorg)
Hoe werkt deep learning – deep learning uitgelegd

Share This