Een onderzoeksteam onder leiding van de Universiteit van Boston heeft een anatomie-bewuste generatieve AI-tool ontwikkeld die in staat is 3D computertomografiebeelden van hoge kwaliteit te analyseren en met elkaar in verband te brengen met behulp van tekstuele informatie. AI-gestuurde beeldgeneratoren spelen onder andere een rol bij de transformatie van de gezondheidszorg. Binnen de medische beeldvorming hebben GenAI-tools het potentieel om clinici te helpen bij het interpreteren van complexe röntgenfoto's, het diagnosticeren van aandoeningen en het opsporen van ziekten.
Veel beeldgeneratoren worden getraind op foundation-modellen, een soort machine learning-model dat wordt getraind op brede datasets om te worden verfijnd en aangepast voor verschillende toepassingen. Met behulp van het basismodel kunnen beeldgeneratoren vervolgens patronen in hun trainingsgegevens analyseren om nieuwe beelden te creëren.
Hallucinerende generatieve AI
GenAI tools zijn echter gevoelig voor hallucinaties, waardoor ze misleidende of valse informatie genereren. In de medische beeldvorming kan dat leiden tot vertragingen in behandeling en onjuiste diagnoses. Het overwinnen van deze hindernissen is dus cruciaal voor het gebruik van generatieve AI in de gezondheidszorg. De Amerikaanse onderzoekers benadrukken tevens dat modelgestuurde beeldgeneratoren vaak outputs met een lage resolutie leveren waardoor de rijkdom aan gegevens in radiologierapporten niet effectief benut worden.
Voor het aanpakken van deze uitdagingen, bouwden de onderzoekers MedSyn, een openbaar beschikbare, anatomiebewuste GenAI-tool die is ontworpen om high-fidelity CT-scans van de borstkas te produceren met behulp van tekstaanwijzingen. MedSyn werd getraind op meer dan 9.000 volumetrische CT's van de borstkas en 200.000 geanonimiseerde radiologierapporten. Hierdoor is de oplossing een orgaan specifieke, multimodale benadering, in tegenstelling tot traditionele funderingsmodellen.
AI-tool interpreteert complexe afwijkingen
De aanpak maakt het mogelijk om gegevens uit radiologierapporten op te nemen, waardoor de AI-tool gebruikers kan helpen bij een verscheidenheid aan taken, zoals het interpreteren van complexe afwijkingen in medische beelden. “Hoewel de trend voor basismodellen een one-size-fits-all benadering is, geloven we niet dat dit de beste aanpak is voor medische beeldvorming. Pathologische veranderingen in de anatomie kunnen zich jaren voor het klinische bewijs van ziekte al voordoen. Om interventies zo effectief mogelijk te laten zijn, hebben we geavanceerde AI-modellen nodig die afwijkingen kunnen detecteren die vaak ongrijpbaar zijn in de vroegste stadia van ziekteprogressie.” aldus Kayhan Batmanghelich, PhD, auteur en assistent-professor techniek en junior faculty fellow van het Hariri Institute for Computing aan de Boston University, in een persbericht.
De informatie die uit radiologierapporten wordt gehaald, zoals pathologie en anatomische locatie, kan artsen en onderzoekers helpen verfijndere beelden te genereren voor gegevensuitbreiding in klinisch onderzoek. Deze mogelijkheid is belangrijk voor onderzoeken waarvoor grote aantallen moeilijk te verkrijgen beelden nodig zijn, zoals longscans.
“Long CT scans vertonen meer uitdagende details in vergelijking met andere organen. Door het AI-taalmodel specifiek af te stemmen op de taal die wordt gebruikt in radiologierapporten en beperkingen op te nemen die standaard anatomische posities afdwingen die consistent zijn met het menselijk lichaam, kan ons model beelden synthetiseren met een niveau van granulariteit, zelfs wanneer deze worden gepresenteerd met kleine, moeilijk te zien anatomische details”, vertelt Batmanghelich.
Transparant en interpreteerbaar
MedSyn, zo stellen de onderzoekers een soort verklaarbare AI is, die belanghebbenden zou kunnen helpen bij het wegnemen van zorgen over black box AI in de gezondheidszorg. “Aangezien de dataset voor MedSyn is afgeleid van CAT-scans en radiologierapporten, is de output volledig transparant en net zo interpreteerbaar als een radiologierapport. De tool stelt niet alleen clinici in staat om te werken, maar onderzoekers kunnen deze methode ook gebruiken als bouwsteen voor hun onderzoek”, licht Batmanghelich toe.
Het onderzoek - een samenwerking tussen onderzoekers van Boston University, Carnegie Mellon University, de Universiteit van Pittsburgh en Stanford University - is slechts een van de vele veelbelovende toepassingen van generatieve AI in de gezondheidszorg.
“Ons onderzoek is een belangrijke stap in het aantonen van de mogelijkheden en potentiële impact van het bouwen van anatomisch-specifieke basismodellen, modellen die kennis hebben van anatomie en van de macro- en microstructuur die de anatomie verandert. Deze modellen van de volgende generatie bieden de nauwkeurigheid, betrouwbaarheid en interpreteerbaarheid die clinici en onderzoekers nodig hebben en die de gezondheidszorg nodig heeft om het transformatieve potentieel van AI te realiseren”, besluit Batmanghelich.
AI in medische beeldvorming
Het potentieel van AI in de medische beeldvorming is een onderwerp waar al enkele jaren onderzoek naar gedaan wordt. Zo doen onderzoekers van de Case Western Reserve University sinds dit jaar onderzoek naar een op een AI-gebaseerd alternatief voor het proces met magnetische resonantie beeldvorming (MRI) en röntgenstraling. Daarbij worden nu nog chemische contrastmiddelen gebruikt om de diagnostische nauwkeurigheid te verbeteren. Doel van dit onderzoek is deze ‘oude’ methode te vervangen door, wat zij noemen, de ontwikkeling van aan AI-contrastmiddel om het medische beeldvormingsproces voor klinisch personeel en patiënten te verbeteren.
In Nederland werkt een landelijk consortium onder leiding van het AmsterdamUMC met behulp van AI aan nieuwe technologie om betaalbare en eenvoudiger te bedienen medische beeldvormingsapparatuur te produceren waarvoor geen hoog gespecialiseerde medische deskundigen nodig zijn. De bedoeling is dat deze medische beelden ook door huisartsen, echografisten en gespecialiseerde verpleegkundigen gemaakt en beoordeeld kunnen worden.
