Een aantal wetenschappers uit Leiden, Delft en Rotterdam werken aan technologie die er toe moet leiden dat de inzet van kunstmatige intelligentie (AI) het zorgsysteem een mate van zelflerendheid gaat bieden. Daardoor moeten diagnoses en prognoses adequater worden dan ooit tevoren. Met als bijkomend voordeel dat daarvoor ook nog eens minder ingrijpend medisch onderzoek nodig zal zijn.
De samenwerkende wetenschappers zijn, zo blijkt uit de vorderingen en reeds gerealiseerde ontwikkelingen, al een eind op de goede weg. Zo realiseren imaging-hoogleraren Serge Rombouts en Wiro Niessen, op basis van door collega Marcel Reinders uit Delft ontwikkelde modellen, een grondige zelflerende adviseur voor de radioloog. In Delft wordt nagedacht over de fundamentele vragen waarmee AI-modellen beter gemaakt kunnen worden en Rotterdam en Leiden leveren de grote hoeveelheden data aan waarmee deze AI-modellen getraind kunnen worden. Wetenschappers denken na over wat er met die data allemaal mogelijk is.
MRI is geen AI
Een MRI stelt herkenbare beelden, bijvoorbeeld van de hersenen, samen aan de hand van de berekening van radiogolven. Dat is volgens Serge Rombouts bijzonder knap, maar heeft niets te maken met kunstmatige intelligentie. "Daarvan is pas sprake als een computer daadwerkelijk zelf tot een advies of beslissing komt", aldus Rombouts. Dat is het vakgebied waar de Leidse hoogleraar Methoden in cognitieve neuro-imaging, op de faculteit Psychologie en afdeling Radiologie, onderzoek naar doet.
Rombouts is tevens expert op het gebied van functionele MRI (fMRI) waarmee de activiteit van hersengebieden in beeld gebracht worden. Zijn werk is met name gericht op het vroegtijdig signaleren van hersenaandoeningen, zoals dementie. "We werken eraan computers te trainen om een ziekte te herkennen op basis van geavanceerde scans van hersennetwerken. De computer combineert alle scans van structuur, functie en activiteit van één patiënt en vergelijkt die met die van andere mensen. Op basis van een beslismodel dat hij zelf maakt door te leren van al die data, kan de computer in de toekomst mogelijk bijdragen aan de diagnose", zegt Rombouts.
Het Erasmus MC werkt met 29 instellingen op dit moment overigens al aan het trainen van AI-modellen voor het identificeren van hersentumoren. Voor het trainen van een dergelijk model is veel relevante medische data nodig. Daar zijn de samenwerkende wetenschappers zich ook terdege van bewust.
Meer data voor AI-modellen
Om nog betere AI-algoritmen te ontwikkelen is het dus wenselijk dat een kunstmatig intelligent systeem met zo veel mogelijk verschillende data gevoed wordt. Niet alleen de data van scans, maar ook genetische data, bloedmetingen, of gegevens van wearables die bijvoorbeeld een etmaal je hartfunctie volgen. Nog beter is het wanneer dat systeem vervolgens ook kan beschikken over dezelfde, vergelijkbare, data van andere patiënten. Vooralsnog is dit toekomstmuziek, maar fysicus en hoogleraar Biomedische beeldanalyse en machine learning aan de TU Delft en het Erasmus MC Wiro Niessen probeert daar wel al naar toe te werken.
"We kunnen bijvoorbeeld een AI-algoritme ontwikkelen met data van prostaatkankerpatiënten uit verschillende ziekenhuizen. We leren dan op basis van die data de relatie tussen de diagnostische data en de uitkomst van de patiënt; zo kunnen we een systeem ontwikkelen dat voor een nieuwe patiënt kan inschatten wat voor tumortype iemand heeft, en wat de prognose en verwachte therapierespons zal zijn", licht Niesen toe.
Helaas, zo stelt Niesen, blijft veel data op dit moment ongebruikt liggen. "Je maakt een scan, trekt daaruit een conclusie voor deze patiënt, en daar blijft het vaak bij. De uitdaging is om een infrastructuur te ontwikkelen waarmee we data kunnen hergebruiken voor de ontwikkeling van algoritmen. Het is daarbij niet nodig om alle data van alle ziekenhuizen in één systeem te stoppen, maar als ziekenhuizen hun data op een uniforme manier opslaan, kunnen algoritmen daarmee uit de voeten. We hebben daarvoor eigenlijk een "RijksDataStaat" nodig, zeggen we wel eens gekscherend. Als voorbeeld werken we nu in het kader van Covid-19 aan een landelijk dataportaal."
Samenwerking Leiden - Delft - Erasmus
Inmiddels werken de drie locaties al nauw met elkaar samen op het gebied van AI-ontwikkeling. Zo lopen van Niessen's masterstudenten, vooral engineers en AI-specialisten, stage in het Erasmus MC. Daarnaast werkt Niessen ook samen met Rombouts. Voor zijn Vici-onderzoek deed Rombouts analyses met data uit een Rotterdamse bevolkingsstudie met ongeveer 15.000 deelnemers van 45 jaar en ouder die al sinds 1990 gevolgd worden. Dat bleek een zeer waardevolle databron voor de systemen die Rombouts en Niessen ontwikkelen.
"Dat onderzoek is voor ons een geweldige bron van informatie, omdat naast MRI-beelden van de hersenen bijvoorbeeld ook genetische data zijn verzameld, en gevolgd wordt hoe het met de deelnemers gaat", aldus Niessen. "Wij onderzoeken met deze data of MRI voorspellende waarde heeft voor het ontstaan van dementie", voegt Rombouts daaraan toe.
Zelflerende AI-modellen
Uiteindelijk willen zowel Rombouts als Niessen dat de samenwerking leidt tot de ontwikkeling van modellen die door zelflerende algoritmen gemaakt zijn. Daar wordt momenteel aan gewerkt door Marcel Reinders bij de TU Delft en het LUMC. "We starten nu een project in Rotterdam waarbij we willen inschatten of een binnenkomende Covid-patiënt wel of niet op de intensive care terecht zal komen en voor hoe lang. Voor artsen komt een achteruitgang bij deze patiënten vaak onverwacht. Zij kunnen slechts een paar parameters beoordelen, bijvoorbeeld temperatuur, leeftijd, gewicht. Een algoritme kan er met gemak honderd, of veel meer", zo licht Reinders toe.
De samenwerking tussen Delft, Leiden en Erasmus heeft veel potentie en het is, zo stelt Reinders, mooi om te zien hoe de drie instituten elkaar steeds opzoeken en aanvullen. "In Delft wordt heel goed nagedacht over fundamentele vragen, waarmee je een model beter maakt. In Rotterdam en Leiden komen enorm veel medische data tot stand waarmee de modellen kunnen leren, en wetenschappers daar denken na over wat ze met die data kúnnen."
Een bijkomend effect van de nauwe samenwerking is wel dat het verschil tussen de verschillende instituten, als het gaat om vakkennis, steeds minder groot wordt. Men leert van elkaar.
