‘AI kan bepaalde aandoeningen beter diagnostiseren dan artsen’

Kunstmatige intelligentie (AI) presteert in sommige gevallen beter bij het diagnostiseren van bepaalde aandoeningen dan artsen, stelt hoogleraar Sir Bruce Keogh van de Britse National Health Service (NHS). De NHS wil dan ook meer budget vrijmaken om de toepassing van AI in de zorg te versnellen, waarbij de organisatie met name kansen ziet in het analyseren van grote hoeveelheden informatie die wordt verzameld over symptomen van patiënten. Waarvoor wordt AI in de medische wereld ingezet? We zetten enkele voorbeelden op een rij.   

Sir Keogh doet zijn uitspraken in een interview met The Guardian. “We weten door meerdere onderzoeken dat AI, onder bepaalde omstandigheden, beter is in het diagnostiseren van bepaalde aandoeningen dan artsen”, aldus Sir Keogh. “Het is mogelijk dat sommige soorten – en er zijn veel verschillende soorten AI – in staat zullen zijn röntgenfoto’s te interpreteren. Ik heb begrepen van mensen die zich bezig houden met de ontwikkeling van dit soort dingen dat dit in een tijdsbestek van vier jaar mogelijk is. We weten ook dat dit soort ontwikkelingen gebruikt kunnen worden voor het lezen van histopathologische beelden.”

Medische beelden analyseren

Uiteenlopende bedrijven en organisaties richten zich op het ontwikkelen van AI-toepassingen die kunnen helpen de medische zorg te verbeteren. Een voorbeeld is de Nederlandse start-up Aidence, die in juni nog 2,25 miljoen euro ophaalde bij investeerders. Dit bedrijf werkt aan AI die in staat is röntgen-, MRI- en CT-beelden te interpreteren. Hiermee wil Aidence het aantal misdiagnoses terugdringen, de efficiëntie vergroten en het tekort aan radiologen wereldwijd terugdringen. 

In eerste instantie werkt het bedrijf aan het op de markt brengen van een AI-gebaseerd product voor het detecteren van longnodules. De technologie die hiervoor wordt gebruikt kan volgens Aidence echter ook worden ingezet voor het beoordelen van CT-scans van de thorax en MRI-beelden van zowel gewrichten als de hersenen. 

Voortekenen van hartaanvallen detecteren

Het Mediplex Sejong Hospital in Zuid-Korea heeft in samenwerking met de startup VUNO Korea een AI-systeem ontwikkeld dat in staat is voortekenen van een hartaanval 24 uur v voordat de aanval daadwerkelijk plaatsvindt te detecteren. Dit geeft artsen de mogelijkheid vooraf aan een hartaanval alvast maatregelen te nemen.

Het systeem heet cardiac Arrest Early warning alGorithm In Sejong hospital’ (AEGIS) en maakt gebruik van machine learning om onder meer de ademhaling, hartslag, zuurstofsaturatie en bloeddruk van een patiënt in real-time te analyseren. Door afwijkingen hierin te detecteren is het mogelijk signalen die kunnen duiden op een hartaanval vroegtijdig op te merken. 

Overigens wordt al langer het Modified Early Warning System (MEWS) ingezet om voortekenen van hartaanvallen op te merken. In een interview met Korea Biomedical Review geeft Park Jin-sik, bestuursvoorzitter van het Mediplex Sejong Hospital, aan dat hartaanvallen met behulp van MEWS met een nauwkeurigheid van ongeveer 55% voorspeld kan worden. AEGIS verhoogt deze nauwkeurigheid volgens Jin-sik naar 70%. 

Hartritmestoornissen detecteren

Een ander voorbeeld is een deep learning algoritme van de Amerikaanse Stanford University, dat in staat is om veertien soorten hartritmestoornissen te detecteren. Deep learning is een techniek waarvoor een kunstmatig neuraal netwerk wordt ingezet, dat is gebaseerd op een biologisch neuraal netwerk. Dit netwerk bestaat uit meerdere lagen met computersystemen, die ieder een andere analyse uitvoeren. Ieder laag verwerkt de output van de vorige laag, waardoor de analyse steeds verder wordt verfijnd. Dit netwerk kan worden getraind door het grote hoeveelheden data te laten verwerken. Hoe meer data het netwerk verwerkt, hoe slimmer deze in theorie wordt. Dit proces wordt deep learning genoemd. Deep learning is een vorm van machine learning. 

Van patiënten die kampen met hartritmestoornissen wordt doorgaans een elektrocardiogram (ECG) gemaakt. Indien het probleem hierop niet zichtbaar is, dragen patiënten in veel gevallen twee weken lang een draagbaar apparaat dat continu hun hart monitort. Dit levert honderden uren aan data op, waardoor analyse van de verzamelde gegevens veel tijd in beslag neemt. Daarnaast zijn serieuze problemen niet altijd eenvoudig te onderscheiden van onschuldige onregelmatigheden in het hartritme van de patiënt.  

De onderzoekers van de Stanford University zijn erin geslaagd een deep learning algoritme te ontwikkelen dat deze data kan analyseren en hierin 14 verschillende soorten hartritmestoornissen kan herkennen. Niet alleen bespaart het algoritme cardiologen veel tijd, ook kan het alle 14 hartritmestoornissen even nauwkeurig detecteren als cardiologen. Sommige stoornissen worden zelfs nauwkeuriger gedetecteerd.  

Genoomdata analyseren

Een glioblastoma multiforme (GBM) is de meest agressieve en snelstgroeiende vorm van hersenturmoren. Om GBM’s te kunnen behandelen worden genoomtesten uitgevoerd, waarmee mutaties in de genen van de patiënt in kaart worden gebracht. Aan de hand van deze mutaties kunnen artsen medicatie identificeren die geschikt is voor de behandeling van de specifieke patiënt. 

Het beoordelen van genoomdata is echter zeer tijdrovend, waardoor in de praktijk bij genoomonderzoeken slechts naar een klein deel van de genen van een patiënt wordt gekeken. Om genoomonderzoek te verbeteren zetten onderzoekers van IBM Research machine learning in om genoomdata te analyseren. Bij het analyseren van deze data is gebruik gemaakt van IBM Watson, een supercomputer die specifiek is toegewijd aan machine learning. 

De inzet van IBM Watson maakt het mogelijk genoomdata veel sneller te analyseren, wat het mogelijk maakt meer genen van een patiënt te onderzoeken en een completer beeld te krijgen van alle mutaties die zijn opgetreden in de genen van een patiënt. Hierdoor kunnen meer potentiële medicijnen worden gevonden die geschikt zijn voor de behandeling van de patiënt. 

Auteur: Wouter Hoeffnagel
Bron: The Guardian
Bron: HenQ
Bron: Aidence
Bron: Mediplex Sejong Hospital
Bron: Korea Biomedical Review
Bron: Stanford University
Bron: IBM Research
Bron: Neurology Genetics
Bron foto: Pixabay / GDJ