078-2034021 algemeen@3bplus.nl

In het NRC lezen over de plannen van het kabinet en het bedrijfsleven om de komende jaren extra in Artificial Intelligence (AI) te investeren. De schrijver vraagt zich af waarom die investering gedaan wordt en vooral of het geld wel goed terecht komt. Op dat laatste is namelijk ook kritiek vanuit AI-wetenschappers.

Om tot een antwoord te komen, bezoekt de schrijver onder meer het Eindhoven Artificial Intelligence Systems Institute (Eaisi) van de Technische Universiteit Eindhoven. De schrijver beschrijft hoe Eaisi AI-algoritmes voor zelfrijdende auto’s ontwikkelt, evenals voetballende robots en geautomatiseerde drones. Ook beschrijft hij hoe er technologie voor ASML, Philips en NS ontwikkeld wordt. Voor Philips gaat het om röntgenscanners, die (samen met de arts) diagnoses kunnen stellen. Laten we daar eens dieper op in gaan!

Een mooi voorbeeld: AI in de zorg

Wij schreven eerder ook al over de toepassing van AI bij beeldvorming in de gezondheidszorg. Dat werkt zo: we beschikken over een schat aan medische scans, die verzameld, gecategoriseerd en opgeslagen zijn. Deze enorme collectie beeldgegevens kan worden gebruikt om AI te trainen. Daarmee kunnen we uiteindelijk een groot aantal aandoeningen identificeren; van botbreuken tot longontsteking en kanker. AI kan specifieke patronen in de pixels identificeren en daarmee de arts met zijn diagnose helpen. AI-systemen zijn immers extreem goed in het doorploegen van grote hoeveelheden data, zoals afbeeldingen, om deze vervolgens te ordenen, te classificeren en afwijkingen op te sporen. AI doet dit ook nog eens sneller en nauwkeuriger dan menselijke artsen. AI raakt bijvoorbeeld nooit vermoeid en kan inzoomen tot op pixelniveau.

Uiteraard is het natuurlijk een enorm grote stap om het diagnosticeren (alleen) aan AI over te laten. Het is bijvoorbeeld ook mogelijk om AI in te zetten om efficiëntie te verbeteren, bijvoorbeeld door artsen op interessante punten in beelden te wijzen. Een vorm van hybride intelligentie, dus. Het voordeel? Als we de tijd tussen het maken van scans en het interpreteren ervan kunnen verkorten, kunnen we mensen sneller zorg bieden.

We gaven bij onze bespreken van AI bij medische beeldvorming ook twee concrete voorbeelden, waaronder HeartFlow. Deze AI-oplossing helpt artsen bij het diagnosticeren van hart- en vaatziekten en vermindert het aantal benodigde invasieve tests, zoals angiogrammen. HeartFlow past deep learning toe op CT-scans om 3D-modellen van kransslagaders te maken en potentiële blokkades te identificeren. Vervolgens worden miljoenen vergelijkingen uitgevoerd om de impact van blokkades op de bloedtoevoer naar het hart te begrijpen. Of neem CheXNet dat ontworpen is om longontsteking te diagnosticeren op basis van thoraxfoto’s. Dit AI-algoritme is getraind met een dataset van ruim 100.000 foto’s. De verzameling afbeeldingen is gelabeld met maximaal 14 verschillende aandoeningen. Na een maand van continue iteratie presteerde het algoritme beter dan vier radiologen bij het diagnosticeren van longontsteking.

Tekst gaat verder onder de afbeelding.

AI ingezet bij voorspellen en beslissingen nemen

Ook in het FD had men deze week aandacht voor AI-toepassingen in de zorg. De schrijver stelt dat wanneer AI ons kan helpen nieuwe verbanden te vinden, we ook nieuwe ziektes zullen vinden. Als voorbeeld noemt hij borstkanker. We kunnen deze ziekte inmiddels opdelen in acht subtypes. De verwachting is dat (dankzij AI) het aantal subtypes op zal lopen tot twintig of meer. Goed nieuws, want het kunnen diagnosticeren van zo’n subtype is cruciaal voor het behandeltraject!

Dit zijn hele concrete voorbeelden die aantonen waarom het goed is om te investeren in AI. AI gaat immers om het doen van voorspellingen en daarbij onzekerheid bij het maken beslissingen te reduceren. En dat levert een heleboel voordelen op, niet alleen economisch, maar dus bijvoorbeeld ook voor onze gezondheid.

Nederland moet aan de slag met AI

Aangezien AI naar alle waarschijnlijkheid een steeds grotere rol in ons leven gaat spelen, is het zaak na te denken over een aantal ethische vragen. We willen immers dat AI gebaseerd wordt op waarden die wij belangrijk vinden – denk bijvoorbeeld aan privacyvraagstukken. Het artikel in NRC maakt daarbij een interessant punt: als we ‘ethische AI’ willen implementeren, moeten we niet te afhankelijk worden van systemen uit het buitenland, waar men het bijvoorbeeld iets minder nauw neemt met privacy.  We moeten dus zelf aan de slag met AI!

Het artikel in het FD deelt deze mening. Daarbij wordt ook nog gesteld dat Nederland juist voor de ontwikkeling van AI-toepassingen op het gebied van gezondheidszorg goed gepositioneerd is. Zodoende wordt ook daar een oproep gedaan aan de geldschieters: zorg ervoor dat het geld goed terecht komt. Om ervoor te zorgen dat AI onderdeel wordt van de zorg, is het wellicht nodig om veranderingen aan te brengen.

Het implementeren van AI in de zorg

De conclusie dat er wellicht veranderingen in de zorg moeten plaatsvinden, geldt natuurlijk eigenlijk voor de implementatie van allerlei technologie. Zo blijkt bijvoorbeeld ook uit de jaarlijkse eHealth-monitor Wij verdiepten ons zodoende al eens in de drempels die grootschalige implementatie van e-health in de weg staan. Daarbij hadden we onder meer aandacht voor het gebrek aan noodzaak onder artsen. Als je de meerwaarde van een toepassing niet ziet, ga ‘m natuurlijk ook nooit gebruiken! Een oplossing daarvoor kan het opdoen van ervaring met de toepassing zijn. Anders gezegd: wanneer de noodzaak of meerwaarde van technologie voor de hand ligt, verbetert dat de kans op een geslaagde implementatie.

Een andere oorzaak voor de moeilijke implementatie van technologie in de zorg is ons inziens het gebrek aan samenwerking. Implementatie van technologie is vaak een complex proces. Het uitwisselen van ervaringen kan voorkomen dat het wiel steeds opnieuw uitgevonden moet worden. Het gezamenlijk optrekken van verschillende stakeholders kan een positieve invloed hebben. Op dit moment gaat het nog (te) vaak om op zichzelf staande programma’s, die worden ondersteund met bescheiden financiële middelen, resulterend in kleinschalige klinische proeven of casestudies. Een veelbelovende strategie is om sterkere multinationale teams en projecten te ontwikkelen.

En dat is natuurlijk precies waarom we zo blij waren te lezen dat Eaisi de samenwerking aangaat met bedrijven als Philips. Nu inderdaad nog hopen dat die geldschieters inderdaad mee lezen!

Wil je meer lezen over dit onderwerp?

Misschien vind je deze artikelen ook interessant:

Machine learning, neurale netwerken en deep learning uitgelegd
De keten van slimme oplossingen: sensoren, IoT, Big Data en AI

AI en zorg – datamanagement, behandelplannen en meer

Share This