Radboudumc-onderzoekers Geert Litjens en Rogier Kievit hebben een European Research Council (ERC) Starting Grant ontvangen. Met elk een bedrag van 1,5 miljoen euro kunnen zij een project vormgeven en een eigen onderzoeksgroep samen te stellen. Litjens ontwikkelt een nieuwe vorm van AI, waarvan de resultaten zijn uit te leggen (geen black box) en die voor het eerst zelfstandig de stap naar diagnose en prognose kan maken. AI moet zo transformeren van gewaardeerde hulp naar serieuze collega-arts.
In de geneeskunde wordt AI momenteel vooral ingezet voor diagnostiek. Zo zijn met AI-toepassingen als machine learning tumoren en uitzaaiingen automatisch te detecteren en te meten. AI-gebaseerde algoritmen kunnen dat steeds beter en sneller. veel ziekenhuizen passen de technologie dan ook toe om artsen te ondersteunen. Voordelen zijn onder meer dat AI nooit moe wordt, constante resultaten en levert extra capaciteit bij gebrek aan het aantal beschikbare specialisten.
Introductie AI in pathologie
De introductie van AI in de pathologie was mogelijk omdat analyse van weefsel via de microscoop inmiddels volledig is vervangen door digitale opnames in hoge resolutie. Gevoerd door enorme hoeveelheden van deze opnames kunnen AI-toepassingen het werk van pathologen evenaren en soms overtroffen.
Dit gaat echter vooral om het detecteren en meten van tumoren. Er is veel meer mogelijk wanneer AI breder en inventiever wordt toegepast, stelt Litjens, verbonden aan de afdeling Pathologie van het Radboudumc. Die mogelijkheden heeft hij geschetst in het project AIS-CaP (Interpretable Artificial Intelligence across Scales for Next-Generation Cancer Prognostics), dat nu is gehonoreerd met een ERC Starting Grant. In totaal krijgen 27 Nederlandse onderzoekers zo'n beurs.
“AI moet niet alleen nabootsen wat menselijke experts kunnen doen, maar prestaties proberen te leveren die veel verder gaan”, aldus de onderzoeker. “In het tijdperk van gepersonaliseerde geneeskunde moeten we gebruikmaken van computationele technologieën zoals Machine Learning om de door pathologen ontworpen beoordelingssystemen te verbeteren. Als dit lukt, kunnen we bijvoorbeeld nieuwe biomarkers ontdekken die grote gevolgen zullen hebben voor de klinische oncologie en het kankeronderzoek. Om deze grote nieuwe stap te kunnen zetten is een nieuwe methodologische aanpak essentieel.”
Nieuw algoritme
Voor die verieuwende aanpak heeft de onderzoeksgroep van Litjens een nieuw algoritme ontwikkeld: SSGD (stochastic streaming gradient descent). Dit algoritme maakt volgens de onderzoekers volledige integratie mogelijk van lokale details en globale context van complete beelden (whole slide images - WSI) in één Machine Learning-model.
Door het algoritme te verrijken met de nieuwste technieken uit de computationele taalverwerking wil de onderzoeksgroep algoritmes mogelijk maken die inzichtelijk en verklaarbaar zijn. Daarmee wordt tegemoet gekomen aan de kritiek dat veel algoritmes momenteel fungeren als een black box, die geen inzicht geven in de onderliggende afwegingen waarop ze zijn gebaseerd.
Verbetering diagnostiek
Een belangrijk aspect van de nieuwe aanpak is volgens Litjes dat de prognose van de patiënt direct voorspeld wordt op basis van digitale microscoopbeelden, zonder tussenkomst van een door mensen opgesteld graderingssysteem. Dit betekent dat AI nieuwe biomarkers kan ontdekken die niet door mensen gekwantificeerd kunnen worden en daardoor de diagnostiek voor patiënten fors belooft te verbeteren.
“De techniek moet het ook mogelijk maken om niet alleen naar kankerspecifieke biomarkers te kijken, zoals voor prostaat- of borstkanker, maar naar kanker in het algemeen. Op deze manier willen we met dit AIS-CaP project zowel de computationele pathologie, machine learning, het oncologisch onderzoek als de klinische zorg een essentiële stap verder brengen.”
