De veronderstelling dat radiologen als eerste zouden worden vervangen door AI is niet waar gebleken. Waarom niet? Hoewel technische experts AI misschien begrijpen, hebben ze vaak geen inzicht in de complexiteit van de geneeskunde. In een interview met Dr. Daniel Pinto dos Santos, hoofdarts radiologie aan het Universitair Ziekenhuis van Keulen en voorzitter van de eHealth and Informatics Subcommittee bij de European Society of Radiology, bespreken we de aspecten van het werk van radiologen die AI nog niet aankan.
Geoffrey Hinton - Nobelprijswinnaar voor natuurkunde voor zijn werk aan machine learning in 2024 - voorspelde in 2016 dat AI de prestaties van radiologen uiteindelijk zou overtreffen en dat het trainen van AI overbodig zou worden.
Waarom denk je dat radiologen nog steeds hun baan hebben?
Het is amusant. Hinton tweette later dat hij ernaast zat voor wat betreft het tijdsbestek - het is geen vijf jaar, maar tien jaar. Hoe dan ook, AI is uitstekend in het analyseren van beelden en het is aannemelijk dat AI uiteindelijk sommige taken van radiologen zou kunnen uitvoeren. We hebben echter nog steeds werk omdat radiologie complexer is dan mensen buiten de geneeskunde vroeger dachten.
Ik zal uitleggen waarom. Het verkrijgen van de juiste gegevens om AI te trainen is een uitdaging. De beschikbare gevallen voor training zijn niet gelijkmatig verdeeld en het aantal voorbeelden van zeldzame, maar kritieke, gevallen kan zeer beperkt zijn. Mensen kunnen deze kennis relatief eenvoudig uit leerboeken halen en herkennen in afbeeldingen. AI heeft veel voorbeelden nodig om onderscheid te maken tussen zeldzame maar belangrijke bevindingen en gewone, minder kritieke bevindingen. Alles wat buiten ‘de standaard’ valt, wordt problematisch voor deze modellen.
Het is ooit wellicht mogelijk een AI-model te trainen met behulp van studieboeken, om patronen in afbeeldingen te herkennen, maar de huidige trainingsmethoden vereisen nog steeds enorme hoeveelheden data. En data uit de gezondheidszorg zijn niet altijd gemakkelijk toegankelijk en voldoende gelabeld. Dus hoewel het zeker aannemelijk is dat AI ooit radiologen zal vervangen, is die dag volgens mij nog ver weg.
Zelfs als het nog ver weg is, zeg 20 jaar, hoe zal je werk als radioloog dan veranderen als algoritmen en AI zich verder ontwikkelen?
Het is al enigszins veranderd, maar het algemene werk is grotendeels hetzelfde gebleven. Er zijn veel AI-tools op de markt die specifieke taken kunnen uitvoeren, zoals het detecteren van intracraniële bloedingen en breuken, het analyseren van botleeftijd, enz. Met name zaken zoals het schatten van de botleeftijd kunnen al heel goed worden gedaan door AI.
Bij radiologie komt echter meer kijken dan alleen het analyseren van beelden. We beoordelen ook verzoeken van artsen, bepalen de beste scanmethoden voor elk geval, plaatsen bevindingen in een context met de klachten van de patiënt, enz. Over 20 jaar houden we misschien toezicht op modellen en algoritmen in plaats van alles zelf te doen, net zoals bijvoorbeeld de laboratoriumgeneeskunde is geëvolueerd. Maar voordat dat werkelijkheid kan worden, moeten modellen nog steeds evolueren; soms komt het verschil tussen een gezonde diagnose en een kritieke diagnose neer op een paar pixels in een afbeelding en wat context in de voorgeschiedenis van de patiënt.
Toen we elkaar voor het interview ontmoetten, zei u dat verschillende AI-systemen verschillende resultaten kunnen opleveren. Waar gaat het hier om?
Het komt neer op technische details. Neem bijvoorbeeld de detectie van gezwellen in de longen. Een model kan goed presteren op bepaalde datasets. Maar in de instelling waar ik werk, kunnen variabelen zoals reconstructiealgoritmen, dikte van de plakjes of de stroom van de CT-buis anders zijn, waardoor subtiele ruis wordt geïntroduceerd waarvoor de AI niet is ontworpen. Radiologische beelden bevatten inherent zulke ruis omdat de metingen niet perfect zijn. Dit kan de AI soms beïnvloeden.
Als mens zien we dergelijke details niet, maar voor AI, die vertrouwt op gedetailleerde pixelgegevens, kan deze ruis leiden tot significante verschillen. Dit is vooral duidelijk bij kleine gezwellen - die aan de andere kant vaak klinisch niet zo relevant zijn. Beeldkenmerken, AI-mogelijkheden en de klinische realiteit zorgen allemaal voor complexiteit.
Sommigen stellen zich het werk van een radioloog voor als het simpelweg analyseren van een beeld en bepalen of er sprake is van kanker of een andere aandoening. Hoe ziet uw werk er eigenlijk uit?
Dat is een goede vraag. Veel van wat we doen wordt gedreven door het begrijpen van het volledige plaatje - het lezen van de notities van verwijzende artsen, het controleren van labresultaten en het overwegen van de bredere medische geschiedenis van de patiënt. Hoewel AI uiteindelijk al deze factoren zou kunnen integreren, is de complexiteit enorm. Dit kan allemaal het verschil maken bij bijvoorbeeld de beoordeling van een alvleesklierlaesie. Vergelijkbare beeldkenmerken kunnen een heel ander klinisch pad inhouden bij een jonge, gezonde persoon dan bij een oudere persoon met abnormale labresultaten.
AI, dat dit soort klinisch bewustzijn ontbeert, zou dergelijke nuances kunnen missen. Het is niet zo binair als sommigen misschien denken. We kijken niet alleen naar een afbeelding en stellen dan een definitieve diagnose. We houden rekening met de toestand van de patiënt, praten vaak met hem of haar en stellen de meest waarschijnlijke diagnose vast. Vervolgens nemen we beslissingen voor follow-up of behandeling en kijken we of we gelijk hebben. We hebben niet altijd meteen definitieve antwoorden.
Dus in uw werk is samenwerking met huisartsen en het medisch team essentieel, toch?
Precies. Samenwerking is essentieel in de geneeskunde. Als radiologen hebben we zinvolle klinische informatie nodig van verwijzende artsen, omdat onze rapporten slechts zo bruikbaar zijn als de informatie die we ontvangen. Zonder die informatie kunnen we de plank volledig misslaan. Idealiter kunnen we een goede klinische vraag stellen en een bruikbaar antwoord geven op basis van de situatie van de patiënt.
Hoewel de huidige AI duizenden bevindingen in een specifiek geval kan aangeven, is er misschien maar één echt belangrijk. Het modelleren van dergelijke contextuele workflows voor AI is extreem moeilijk, wat misschien verklaart waarom we nog steeds ons werk hebben.
Kijkt u hoopvol of bezorgd naar de toekomst van radiologie, omdat AI uw werk zal verstoren?
Ik ben hoopvol. Hoewel ik misschien sceptisch ben over sommige van de huidige AI-producten, die niet altijd aansluiten bij ons werk, heeft de geschiedenis van technologische vooruitgang in de radiologie altijd geleid tot voordelen voor de patiënt. AI zal in de toekomst gewoon nog een hulpmiddel zijn dat we tot onze beschikking hebben.
Als AI subtiele veranderingen kan detecteren die ik misschien over het hoofd zie, maak ik daar graag gebruik van. Het zal ons als radiologen in staat stellen om meer bruikbare informatie te geven. En ik vind het prima om vervangen te worden voor vervelende taken zoals het schatten van de botleeftijd op basis van röntgenfoto's van de handen - AI kan dat beter, sneller en nauwkeuriger.
Wat is AI voor jou - gewoon een hulpmiddel of meer een assistent? Ik vraag dit omdat de benadering ook de mate van vertrouwen bepaalt.
Dat hangt ervan af. Ik zie AI als zowel een hulpmiddel als assistent. Zoals je al zei, vertrouwen is cruciaal, samen met het beheren van een overdaad aan informatie en het vermijden van automatiseringsvooroordelen. Bij elk AI-systeem dat we gebruiken, moeten we ons afvragen: Helpt het echt? Gaat het om een echt probleem? En hoe gaan we er zo mee om dat we het kunnen vertrouwen? De mate van vertrouwen hangt dan af van het scenario.
Voor sommige taken, zoals het schatten van de botleeftijd of het segmenteren van het hart, is het eenvoudig om de uitvoer van de AI te verifiëren. Maar voor andere taken, zoals het voorspellen van de reactie op een behandeling, zullen we moeten vertrouwen op wetenschappelijk bewijs omdat dat niet zo gemakkelijk te verifiëren is. Zowel voor het vertrouwen als de interactie tussen mens en AI is nuance van belang. Als de samenwerking niet goed verloopt, helpt de AI niet - en we zien nu al gevallen waarin een AI uit de klinische toepassing is gehaald omdat deze in de praktijk gewoon niet hielp, ondanks de aanvankelijk hoge verwachtingen.
Er is een groeiende trend in de markt voor full body MRI-screenings. Onlangs kreeg deze trend veel aandacht toen Daniel Ek, de CEO van Spotify, de eerste kliniek in zijn soort opende in Londen. Is het zinvol om dergelijke screenings preventief uit te voeren bij gezonde mensen?
Ik ben geen fan van deze screenings. Als je gezond bent, is de kans dat je iets ernstigs vindt erg klein, maar de kans dat je iets onbeduidends vindt is extreem groot. Dit kan leiden tot onnodige angst en een stortvloed aan diagnostische tests, waarvan sommige behoorlijk invasief kunnen zijn. Aan de andere kant kunnen sommige ziekten zich ook ontwikkelen terwijl ze verborgen blijven voor MRI-screening. Tot slot werd in een recente zaak een radioloog aangeklaagd omdat hij een relevante bevinding had gemist in deze setting van gezondheidsonderzoeken, wat het stellen van overdiagnoses verder zou kunnen stimuleren om niet aangeklaagd te worden.
Vanuit mijn perspectief verkopen deze MRI-screenings voor het hele lichaam een belofte die in het echte leven niet waargemaakt kan worden - in het beste geval bevestigen ze dat alles goed met je is of vinden ze zelden iets relevants; in het slechtste geval maken ze je erg ziek totdat het tegendeel bewezen is, terwijl je eigenlijk altijd al gezond was.
Ik steun liever op bewijs gebaseerde screeningsprogramma's, zoals mammografie, colonoscopie of prostaatonderzoek, als er duidelijk bewijs is dat screening heilzaam is. Maar MRI van het hele lichaam zonder specifieke aanwijzingen? Dat raad ik af. Een gezonde levensstijl is een veel betere preventieve maatregel dan een MRI-scan die misschien onschuldige afwijkingen vindt.
Hoe ziet de toekomst van radiologie er volgens jou uit?
Als ik een wens mocht doen, zou de volgende generatie radiologie inhouden dat we de gegevens die we al genereren bruikbaarder maken. Onze rapporten bestaan momenteel uit ongestructureerde tekst, wat hun bruikbaarheid beperkt. We moeten deze informatie digitaliseren op een manier die het bruikbaar en toegankelijk maakt. De discussies rond de European Health Data Space (EHDS) zijn een stap in de goede richting.
We moeten ook meer AI integreren in zinvolle - en meestal niet-diagnostische - manieren. Op dit moment zijn radiologen vrij goed in het stellen van een diagnose, maar AI kan helpen bij zaken als het kwantificeren van organen, het analyseren van de lichaamssamenstelling of het inschatten van de orgaanfunctie. Er zijn veel mogelijkheden om de radiologie vooruit te helpen en de waarde die we bieden te vergroten.
