Op basis van één gezichtsfoto kunnen zien wat de kans is dat je huidkanker krijgt. Dat is een steeds grotere realiteit mede dankzij dermatoloog dr. Marlies Wakkee en AI-expert dr. Gennady Roshchupkin van het Erasmus MC. De onderzoekers volgden een groep personen over meerdere jaren, legden hun gezichtsfoto’s vast en registreerden wie huidkanker ontwikkelde. Met deze data leerde een algoritme om het risico op huidkanker te schatten.
De onderzoekers bouwden hun model op basis van computer vision: een deelgebied van kunstmatige intelligentie dat machines in staat stelt om afbeeldingen en video’s te analyseren en interpreteren. Computer vision is één van de vele stromingen binnen AI en weer anders dan bijvoorbeeld de techniek achter ChatGPT. Deze valt namelijk in de categorie natural language processing, waarbij een chatbot menselijke taal kan begrijpen en genereren.
Behandeling en simulatie
Naast het opsporen van huidkanker op gezichtsfoto’s, wordt computer vision ook ingezet in de medische beeldvorming. Dr. Theo van Walsum, Associate Professor beeldgeleiding bij interventies van de afdeling Radiologie en nucleaire geneeskunde aan het Erasmus MC in Rotterdam, vertelt hoe op de afdeling radiologie computer vision wordt ingezet om artsen te helpen bij beeldverwerking van bijvoorbeeld CT-scans, röntgenfoto’s, en echo’s. Een belangrijke taak hierbij is om verdachte plekken te identificeren op scans. “Voor heel veel dingen die wij doen, zoals beelden segmenteren, zijn de moderne AI-achtige technieken veel effectiever en efficiënter dan onze traditionele aanpakken.” Hij legt uit dat segmentatie betekent dat je weet welke pixels op een CT-scan bijvoorbeeld de lever zijn of het bot. “Waar vroeger een promovendus 4 jaar bezig was om een algoritme te maken om een lever-CT te segmenteren, kan een student dat nu bij wijze van spreken in een paar maanden doen,” zegt Van Walsum gekscherend.
Beroerte-onderzoekers van het Innovation Center for Artificial Intelligence (ICAI) Stroke Lab, mede opgericht door Van Walsum, gebruiken kunstmatige intelligentie om modellen te maken die de arts kunnen helpen beslissingen te maken over de beste behandeling bij een beroerte. Van Walsum: “Bij beroertes geldt: ‘time is brain’.” Hoe sneller je behandelt, hoe minder brein je verliest bij een beroerte. Van Walsum schetst een situatie waarin AI mogelijk minder direct een rol kan spelen. Een promovendus heeft een simulatie-model gebouwd dat kan simuleren waar een patiënt naartoe moet worden gebracht voor de beste behandeling. De informatie die in zo’n model gebruikt wordt is onder andere de duur van een ambulancerit en beschikbaarheid van de ziekenhuizen, maar ook welk type beroerte een patiënt waarschijnlijk heeft. En dat laatste kan na analyse van een CT-scan in mobiele CT-unit ambulances al snel worden bepaald met bijvoorbeeld de hulp van AI. Van Walsum benadrukt dat dit soort simulaties door beleidsmakers gebruikt kunnen worden, maar niet voor patiënt-specifieke behandelingen. “Uiteindelijk kunnen ze via die weg ook invloed hebben op de patiëntenzorg.” Bovendien worden dit soort modellen nog niet gebruikt in de praktijk.
Data niet in overlvoed
Ook is data een knelpunt. Een AI-model kan namelijk geen betrouwbare voorspellingen maken als er niet genoeg zorgdata is gebruikt om het model te trainen. Dan is er ook nog data nodig die het model niet gezien heeft om het uitvoerig te testen. Die moet idealiter weer uit een ander ziekenhuis komen dan de trainingsdata, zegt Van Walsum. In beide gevallen blijkt die data er niet in overvloed te zijn. De meeste persoonlijke data van mensen is door privacywetgeving beschermd en data verzamelen van grote groepen mensen heeft ethische beperkingen. Zelfs als je wel de data hebt, kan het niet meteen een model in: het gebruiksklaar maken van de data kost tijd en geld.
Niet alleen de hoeveelheid, ook het soort data dat als input voor een AI-model wordt gebruikt heeft grote gevolgen voor de betrouwbaarheid van het model. Veel mensen in Nederland zijn bijvoorbeeld wit, dus zal een dataset vooral hier veel voorbeelden van bevatten. Maar als een model weinig voorbeelden heeft gezien van mensen met een andere huidskleur, kan het geen betrouwbare voorspellingen doen voor juist die mensen.
‘Een belangrijke vraag die artsen zichzelf moeten stellen is: wanneer vertrouw ik het model?’
Volgens Leontien de Roode, Coordinator van het Convergence Center for Responsible AI for Health Care, is het daarom heel belangrijk dat artsen en onderzoekers goed weten of het model voldoende complexiteit en diversiteit van de mens begrijpt voordat ze besluiten een AI-model te gebruiken in de praktijk. De Roode: “Een belangrijke vraag die artsen zichzelf moeten stellen is: wanneer vertrouw ik het model? Dat is natuurlijk best ingewikkeld, omdat je niet echt kan zien hoe de resultaten tot stand komen.” Een AI-model is vaak zo complex is dat het niet altijd duidelijk is waar die voorspelling op gebaseerd is en of in hoeverre die klopt. En dat is wel belangrijk als je beslissingen maakt die gevolgen hebben voor de gezondheid van patiënten.
Business case
Als AI-modellen werken is de volgende uitdaging om ze in de praktijk te brengen, wat vaak niet makkelijk is. Voordat een AI-toepassing mag worden gebruikt in de praktijk moet die bijvoorbeeld voldoen aan strenge wetgeving, waardoor het soms jaren duurt om goedkeuring te krijgen voor een certificering. Een AI-model gecertificeerd krijgen kost niet alleen tijd, maar ook veel geld, en die investering moet het model waard zijn. Daarbij, voegt Professor Henk Marquering, hoogleraar translationele AI bij Amsterdam UMC en medeoprichter van drie AI-startups, toe: “Als we een mooi algoritme hebben moeten we ook een soort business case uitwerken om te kijken welke taken er precies worden overgenomen. Hoeveel winst voor de medicus of patiënt behaal je ermee? Wat is dat waard?”
Toch zijn de onderzoekers het erover eens dat in de toekomst AI een vaste rol heeft in de klinische praktijk. “Als ik naar de beeldverwerking kijk, denk ik dat AI heel veel geïntegreerd gaat worden in softwareoplossingen voor artsen,” noemt Van Walsum als voorbeeld. Daarnaast verwacht hij dat AI-toepassingen in de beroertezorg, zoals modellen die behandelingen adviseren, verder ontwikkeld en geïntegreerd zullen worden in de kliniek. Dit zal ervoor zorgen dat AI een belangrijk onderdeel wordt van de besluitvorming bij de behandeling van beroertepatiënten.
Of artsen en onderzoekers zich zorgen moeten maken dat ze worden vervangen, is volgens alle onderzoekers echter niet aan de orde. “Voor ons is AI een belangrijke uitbreiding van onze gereedschapskist” zegt Van Walsum.
Eindredactie door Jens van der Weide
