Een AI algoritme dat het verloop van kanker voorspelt

22 augustus 2022
Kankerpatiënt
AI
Nieuws

Het toepassen van kunstmatige intelligentie en op machine learning gebaseerde modellen of een AI algoritme, is binnen de gezondheidszorg natuurlijk al lang niet nieuw meer. Enkele maanden geleden verscheen het nieuws over twee hoogleraren van het Amsterdam UMC die een algoritme ontwikkelde dat gegevens uit de patiëntendossiers bij huisartsen met behulp van AI kan analyseren om zo kanker eerder vast te kunnen stellen.

Het onderzoek en de ontdekking van Faisal Mahmood zijn daar het volgende voorbeeld van. Hij ontdekte, samen met zijn omderzoeksteam, een AI algoritme dat met behulp van gegevens met betrekking tot genomische sequencing, pathologie en patiëntgeschiedenis gebruikt kan worden om het verloop van de kanker een stap voor te blijven.

AI algoritme en deep learning

Tijdens het onderzoek en de ontwikkeling lag de prioriteit van de wetenschappers op nauwkeurigheid door het consistente gebruik van verschillende soorten diagnostische informatie. Daarnaast bouwden zij het betreffende AI-model, een multimodaal, op deep learning gebaseerd algoritme.

Daarvoor werd gebruik gemaakt van The Cancer Genome Atlas (TCGA). Daarin staat informatie over verschillende soorten kanker. Uit onderzoek bleek vervolgens dat het AI-model de mogelijkheid had om resultaten omtrent het verloop van de ziekte beter te voorspellen dan artsen en specialisten die afzonderlijke bronnen gebruiken.

Het team ontdekte dat de modellen de immuunresponsen van patiënten gebruikten als een prognostische marker zonder daarvoor getraind te zijn. Dat was een opmerkelijke bevinding, aangezien eerder onderzoek aantoont dat patiënten van wie de tumoren sterkere immuunresponsen opwekken, de neiging hebben om betere resultaten van medicatie en herstel te ervaren.

"Dit werk vormt de basis voor grotere AI-onderzoeken in de gezondheidszorg die gegevens uit meerdere bronnen combineren. In bredere zin benadrukken onze bevindingen de noodzaak om prognostische modellen voor computationele pathologie te bouwen met veel grotere datasets en downstream klinische onderzoeken om bruikbaarheid vast te stellen", aldus Faisal Mahmood.