HEREDITARY is met name gericht op de ontwikkeling van een geavanceerd AI-gestuurd computersysteem, dat correlaties kan ontdekken tussen aandoeningen van zowel het brein als de darmen. Er wordt gebruik van diverse soorten medische gegevens, waaronder tekst, bloedwaarden, medische beelden en genetica. Dankzij die slimme analyses kunnen straks misschien persoonlijkere patiëntadviezen worden gegeven.
Binnen het project wordt veel gebruik gemaakt van ‘federated learning’ om algoritmes te trainen en data beschikbaar te maken. Dit moet het eenvoudiger maken om met behoud van privacy grootschalig data te gebruiken. Bij federated learning gaan algoritmes via het platform virtueel op bezoek bij verschillende ziekenhuizen, en leren daar ter plekke van de medische data, zonder dat die data het ziekenhuis verlaten.
Ondersteunende AI-technologie
Het project kijkt naar diverse hersenziekten, waaronder ALS, MS, Parkinson, depressie, angst, ADHD en Alzheimer. Maar ook darm- aandoeningen zoals ontstekingsziekten en darminfecties. De onderzoekers hopen dat HEREDITARY nieuwe wegen zal openen voor de behandeling en diagnose van deze aandoeningen. AI-technologie zal hierbij ondersteunen om de complexe relatie tussen brein en darmgezondheid beter te begrijpen en te behandelen.
Het project richt zich op het verbinden en analyseren van enorme datastromen. Het focust op aandoeningen van de darmgezondheid en het brein, omdat deze organen elkaar onderling sterk beïnvloeden. De analyses zullen patronen in de data zoeken, zoals het gelijktijdig voorkomen van bepaalde aandoeningen. Dit gebeurt met algoritmes die in staat zijn om te leren van grote hoeveelheden data.
Zorg van de toekomst
Zorg van de toekomst: zo omschrijft Radboudumc het doel van haar onderdeel van het
HEREDITARY-project. Een nog te ontwikkelen AI-toepassing moet uiteindelijk op basis van grote hoeveelheden data advies geven voor de behandeling van een individuele patiënt. Bijvoorbeeld door een MRI-scan te vergelijken met zowel scans als complete medische dossiers van vergelijkbare gevallen.
Momenteel is het voor bestaande toepassingen nog erg lastig dat de benodigde typen gegevens zeer uiteenlopen. Denk aan (al dan niet gestructureerde) tekst, bloedwaarden, medische beelden en genetica. Reden voor de Europese partners om ondersteund door de Europese subsidie een AI-gebaseerde toepassing te ontwikkelen dat al die soorten data kan verbinden en analyseren.
De toepassing omvat straks meerdere algoritmes, die kunnen leren van bovengenoemde data. De algoritmes worden gehost op het door het Radboudumc ontwikkelde Grand Challenge platform. Het Research Software Engineering-team van het Radboudumc bouwde dit platform voor de analyse van medische beelden, zoals CT- of MRI-scans. Maar het platform kan ook algoritmes en data hosten en op verschillende manieren beschikbaar stellen.
Grote ambities, goede basis
Francesco Ciompi ( Universitair hoofddocent pathologie), Nils Kohn (Universitair hoofddocent Human Cognitive Neuroimaging) en Annemarie Boleij (universitair docent, afdeling pathologie) zijn namens het Radboudumc bij HEREDITARY betrokken. Een gesprek met hen maakt duidelijk dat het onderzoek grote ambities kent, maar daarvoor eerst een goede basis moet bouwen.
Een belangrijke ambitie is volgens Ciompi het faciliteren middels AI-toepassingen van multimodaal onderzoek – met meerdere modaliteiten aan databronnen. Hier valt ook de studie naar de interactie tussen brein, darmstelsel en aandoeningen zoals inflammatoire darmziekten en darmontstekingen onder.
AI-toepassingen kunnen multimodaliteiten eenvoudiger in beeld brengen
Author Attribution
“Het ziekenhuis heeft pathologie- en radiologiebeelden, tekstgebaseerde rapporten, genetische sequenties, MRI-scans van neurochirurgie. Een grote diversiteit aan databronnen die, als je ze combineert, een completer beeld geven van een patiënt en diens aandoening. Vaak begint dat met enkele modaliteiten, zoals een scan en een biopsie bij een borst laesie. Zo kun je bepalen om wat voor soort borstkanker het gaat en wat de beste behandeling is. In dit project ligt de focus op het bundelen van informatie op basis van data over het brein en het darmstelsel. AI dient hierbij als overkoepelende technologie om die modaliteiten en de vragen die we hebben te koppelen.”
Is AI voor dit soort multimodaal onderzoek een katalysator?
Nils Kohn: “In neurowetenschap is het probleem dat de verzamelde data zeer complex zijn. Allerlei onderdelen van de hersens hebben uiteenlopende rollen en functies. Hetzelfde geldt voor het microbioom1 in het darmstelsel. We weten al langer dat brein en darmstelsel elkaar beïnvloeden, maar worstelen met de extra complexiteit die het bundelen van deze multimodale data met zich meebrengt. AI-toepassingen kunnen ons helpen om deze multimodaliteit eenvoudiger in beeld te brengen en meer inzicht te geven in de onderlinge beïnvloeding. AI zal niet de enige technologie zijn die hierbij kan helpen, maar het is wel een zeer veelbelovende.”
Hoever is jullie onderzoek?
Annemarie Boleij: “We zijn net begonnen. Ons eerste doel is om twee modaliteiten, ofwel databronnen bij elkaar te brengen en uit die bundeling nieuwe inzichten te halen. Daarna breiden we de complexiteit geleidelijk uit. Anders wordt die complexiteit te groot, ook omdat we weinig voorgaand onderzoek hebben om ons op te baseren. We zijn begonnen met pathologiebeelden en data over bacteriële infecties. Daarna voegen we genetische data over de bacteriën toe om te bekijken hoe dit het tot dan ontwikkelde AI-model beïnvloedt. Als derde stap zullen we data van FMRI-beelden toevoegen.”
Ciompi: “Uiteindelijk hopen we met behulp van AI-tools die we zelf ontwikkelen binnen het project, vragen te kunnen beantwoorden zoals of er een echte causaliteit zit tussen oververtegenwoordiging van bepaalde bacteriën in de darmen en bepaalde neurologische aandoeningen, of dat het een statistische correlatie is van het soort ‘in de zomer worden er meer ijsjes gegeten bij het strand en verdrinken er meer mensen in de zee’. En naarmate we meer modaliteiten kunnen koppelen, kunnen we onderzoeken of er ook verbanden zijn tussen die bacteriën en neurologische aandoeningen, en bepaalde psychologische testen, of bepaalde MRI-scans. AI kan leren en daardoor enorm helpen bij het vinden van dergelijke meer complexe patronen tussen meer dan twee modaliteiten.”
Boleij: “AI kan ons helpen die patronen te vinden. Maar daarna is het toch weer onze uitdaging om te bepalen of die patronen biologisch verifieerbaar zijn en daarmee in de praktijk waarde hebben bij diagnostiek of behandeling.”
Hoe past jullie use case binnen
HEREDITARY?
Ciompi: “Het is een consortium van 17 partners. Een overkoepelend doel is om een soort platform te ontwikkelen op het gebied van federated learning, toegang tot en analyse van data. Wij zijn daarin misschien een belangrijk onderdeel van de puzzel, maar wel gewoon een van de puzzelstukjes.”
Kohn: “Onze use case is een geschikte mix van modaliteiten, die duidelijk zal profiteren van federated learning. Onderzoek naar de interactie tussen hersens en darmstelsel staat net zozeer in de kinderschoenen als dit project. Het is dus een ideale use case om zoveel mogelijk van de schaarse onderzoeksinformatie over brein-darm interactie bij elkaar te brengen.”
Wat moet ik me voorstellen bij het platform dat uit dit project moet voortkomen?
Ciompi: “Dat moet vooral een onderzoeksplatform worden. Het moet bestaande instrumenten bundelen en nieuwe instrumenten bieden om multimodaal onderzoek te faciliteren. Denk aan AI-modellen die je kunt doorontwikkelen voor andere datamodaliteiten in andere onderzoeksvelden. Zo willen we wetenschappelijke vragen helpen beantwoorden, vragen zoals hoe je kunt voldoen aan regulering als GDPR door het pseudonimiseren van data. Het project gaat niet zozeer om het ondersteunen van meer praktisch onderzoek zoals naar de interactie tussen brein en darmstelsel. Maar dat is wel iets waar we met onze use case een basis voor willen leggen.”
Praktische toepassingen liggen nog ver in de toekomst
Author Attribution
Kohn: “Praktische toepassingen liggen nog ver in de toekomst, en ver buiten de scope van dit project. Maar we kunnen misschien wel een basis leggen. Momenteel is er bitter weinig onderzoek naar de interactie tussen brein en darmstelsel, al weten we vrij zeker dat die interactie er is. De darmbacteriën veranderen heel snel in reactie tot wat mensen eten en doen gedurende de dag. Hetzelfde geldt voor hersenfuncties gedurende de dag en de hersenstructuur over langere tijdsperiodes. Als we die data kunnen combineren, dan kunnen we misschien via manipulatie van de darmbacteriën indirect beïnvloeden wat er in de hersens gebeurt. Maar die potentie is niet iets wat we de komende twee tot vijf jaar zullen realiseren.”
Boleij: “Ik denk dat we van een succes kunnen spreken wanneer we de drie eerdergenoemde modaliteiten met succes kunnen integreren en hier met AI betere inzichten uit kunnen halen over een patiënt en diens gezondheid. Dat is ook waar het Hereditary- project zich op focust: multimodaliteiten bundelen en betere toegang tot multimodale data via federated learning: bijvoorbeeld data uit het patiëntendossier.”
Hoe gaan jullie om met ethische aspecten, zoals bias in de data die jullie gebruiken?
Boleij: “Onze data omvat in eerste instantie de mensen die naar het Radboud komen. Dat zal bovengemiddeld de regio Nijmegen betreffen. Ook als we andere databases lokaal aanboren, gaat het vooral om Nederlanders. Daar zit enige diversiteit in, maar is zeker geen reflectie van bijvoorbeeld Europa, laat staan de wereld. Daarnaast verschilt het microbioom van persoon tot persoon en van moment tot moment bij dezelfde persoon. Je hebt dus altijd andere cohorten en data nodig om je eigen data te verifiëren. Dit is ook een doel van het HEREDITARY-project. Door algoritmen te bouwen met behulp van federated learning, kun je eenvoudiger je eigen algoritmen vergelijken met die van andere use cases uit het project, waarmee je het probleem van gebrek aan diversiteit in jouw data kunt beperken.”
Kohn: “Dat kan ook heel behulpzaam zijn voor de datamodaliteit van MRI-scans. In neurowetenschappen zijn scans van studenten oververtegenwoordigd. Die zijn meestal tussen de 18 en maximaal 30. Daarom nemen we al een groep dertigers (uit de Healthy Brain Study)2 mee met allerlei achtergronden, om zo meer diversiteit te krijgen. En zoals Annemarie al aangaf, de Europese breedte van het project zorgt ervoor dat we ook datacohorten uit andere landen kunnen gebruiken om algoritmen mee te trainen.”
Ciompi: “Ook Europese data is beperkt en heeft dus een bias. Daarom werken we ook samen met een Amerikaanse partner die retina-beelddata op het gebied van Parkinsons bijdraagt. Maar bedenk wel dat de focus van onze use case ligt op het vinden van connecties tussen brein en darmstelsel. Daar liggen al uitdagingen genoeg. En het doel van ons project is niet om alle problemen met bias en gebrek aan diversiteit op te lossen, maar om dat te mitigeren voor onze use case en het project.”
