Beroertes (CVA’s) zijn wereldwijd de belangrijkste oorzaak van overlijden en invaliditeit. Gemiddeld zou 1 op de 4 mensen boven de 25 in hun leven met een CVA te maken krijgen. Vroegtijdige diagnose en interventie zijn dan ook van cruciaal belang in de strijd tégen en behandeling ván beroertes. De inzet van AI kan interpretatie van beeldvormende diagnostiek versnellen, stellen Poolse onderzoekers, mits er sprake is van een goede ‘explainable’ AI.
In een recente studie, gepubliceerd in IEEE Access, bepleit een team onderzoekers van het Sano Centrum voor Computationele Geneeskunde (Krakau, Polen), een end-to-end benadering van beeldanalyse van beroerten. Zij combineren effectieve connectiviteitsmodellen met interpreteerbare kunstmatige intelligentie (AI).
Deze innovatie kan potentieel klinische workflows transformeren door zowel de nauwkeurigheid als de transparantie van de diagnose van een beroerte te verbeteren. Dit is mogelijk door het benadrukken van informatie en veranderingen in de stroming in gebieden waar therapieën zoals stamcellen zich op zouden moeten richten.
Diverse uitdagingen
Traditioneel is de diagnose van een beroerte afhankelijk van beeldvormende diagnostiek zoals CT en MRI - naast de expertise van de arts. Deze methoden kennen echter uitdagingen op het gebied van snelheid, reproduceerbaarheid en de identificatie van complexe patronen in beeldvormingsgegevens.
Het onderzoek van het Sano Centrum pakt deze hiaten aan door effectieve connectiviteitsmodellen te gebruiken, die de directionele invloed van het ene hersengebied op het andere analyseren, in combinatie met interpreteerbare AI-algoritmen. Samen verbeteren deze tools niet alleen de precisie van het lokaliseren van beroertes, maar werpen ze ook licht op de onderliggende neurale paden die door een beroerte worden beïnvloed.
Vertrouwen en begrijpen
De onderzoekers ontwikkelden een end-to-end raamwerk dat imaging data van beroerten verwerkt met behulp van geavanceerde machine learning technieken, zoals feature-extractie en diepe neurale netwerken, met behoud van de interpreteerbaarheid. Een van de belangrijkste innovaties in onze studie is de integratie van verklaarbaarheidsmetriek, waardoor clinici het besluitvormingsproces van de AI kunnen vertrouwen en begrijpen. Deze functie is cruciaal voor toepassing in de medische praktijk, waar patiëntresultaten afhankelijk zijn van geïnformeerde besluitvorming.
Om het model te valideren, is het geëvalueerd op een grote dataset van patiënten met een beroerte, waarbij de onderzoekers stellen state-of-the-art prestaties te hebben bereikt in:
- Het identificeren van regio's met een beroerte;
- Het voorspellen van patiëntuitkomsten;
- Het begrijpen van effectieve connectiviteitsverstoringen.
Door deze verstoringen te visualiseren, biedt het raamwerk clinici bruikbare inzichten die voorheen ontoegankelijk waren via conventionele methoden.
Gepersonaliseerde behandelplannen
De nieuwe methodiek biedt volgens de onderzoekers een pad naar gepersonaliseerde behandelplannen, door het identificeren van subtypes van beroertes en het voorspellen van individuele hersteltrajecten. Bovendien zorgt de afhankelijkheid van interpreteerbare AI voor naleving van ethische en wettelijke normen voor medische AI-systemen.
‘Door effectieve connectiviteit en interpreteerbare AI te integreren, willen we clinici ondersteunen bij het nemen van snellere, betrouwbaardere beslissingen terwijl de transparantie van het proces behouden blijft’, zo schrijven de onderzoekers in IEEE Access. ‘ De volgende stappen zijn validatie op grotere cohorten en het beoordelen van de bruikbaarheid van deze benadering voor stamceltherapieën voor beroerte.”
Dit onderzoek betekent een belangrijke stap voorwaarts in de toepassing van AI op medische beeldvorming, met name voor tijdgevoelige aandoeningen zoals beroerte. Door geavanceerde technologie te combineren met een focus op interpreteerbaarheid, heeft het raamwerk het potentieel om opnieuw te definiëren hoe beroertes worden gediagnosticeerd en behandeld in de moderne gezondheidszorg.
Vasculaire 'vingerafdruk'
AI wordt steeds meer ingezet bij de behandeling of zelfs het voorkomen van beroerten. Zo wees begin dit jaar uitgebreid onderzoek, waarbinnen de gegevens van meer dan 45.000 personen geanalyseerd zijn, uit dat het risico op een beroerte voorspeld kan worden met behulp van een vasculaire 'vingerafdruk' op de lichtgevoelige weefsellaag aan de achterkant van het oog, het netvlies. De voorspellingen zijn, zo stelt de studie, net zo nauwkeurig als voorspellingen die aan de hand van traditionele risicofactoren bepaald worden.
Het grote voordeel is dat voor de nieuwe methode geen dure, en soms invasieve, laboratorium tests nodig zijn. Met de komst van machine learning (AI), zoals het Retina-based Microvascular Health Assessment System (RMHAS), zijn mogelijkheden geopend voor de identificatie van biologische markers die nauwkeurig het risico op een beroerte kunnen voorspellen zonder de noodzaak van invasieve laboratoriumtests, aldus de onderzoekers in het tijdschrift Heart.
Tijdstip beroerte beter bepalen
In december 2024 bleek uit internationaal onderzoek dat nieuwe AI-software in staat is om hersenscans van patiënten die een beroerte hebben gehad twee keer nauwkeuriger te lezen en analyseren. Zo kan het exacte tijdstip waarop de beroerte ontstaan is veel nauwkeuriger bepaald worden. Die informatie helpt artsen bij de beslissing of de beroerte met succes kan worden behandeld.
De onderzoekers hebben de hoop dat deze nieuwe AI-technologie uiteindelijk zal leiden tot een snellere en nauwkeurigere spoedbehandeling van patiënten die met een beroerte in het ziekenhuis belanden. De AI-software is ontwikkeld door een team van het Imperial College in Londen, de Technische Universiteit van München en de Universiteit van Edinburgh.
