algoritme-kanker

Een algoritme kan kanker opsporen in slechts twee uur…

Iedereen weet dat het voor mensen met een tumor essentieel is dat deze zo snel mogelijk wordt opgespoord. Met dit in het achterhoofd beginnen artsen te vertrouwen op kunstmatige intelligentiealgoritmen om de diagnose en de behandelplannen te versnellen, met als doel meer tijd te nemen om meer patiënten nauwkeuriger te zien.

Hoe heeft de kunstmatige intelligentie geleerd om tumoren op te sporen?

De start-up MD.ai maakt gebruik van algoritmes:

men detecteert de aanwezigheid van tumorknobbeltjes
de andere is het beoordelen van het potentieel voor kwaadaardigheid.

Hier is hoe de AI door MD.ai is ontworpen:

Met behulp van krachtige interactieve query’s op basis van natuurlijke taalverwerking worden datasets gemaakt van ongestructureerde archieven en collecties.
Het labelen en annoteren van datasets met behulp van de webapplicatie, met kwaliteitscontrole en projectmanagement. Labels en aantekeningen kunnen worden aangepast aan het onderzoek, de serie of het beeld.
Oprichting en annotatie van grote publieke datasets om het onderzoek en de toepassing van AI in de geneeskunde te versnellen.
Het versturen van geannoteerde datasets voor diepe leermodelvorming. Deze getrainde modellen kunnen verder gebruikt worden in de annotatie workflow, geanalyseerd worden voor verdere rigoureuze klinische validatie, of voorbereid worden op productie.
Validatie van getrainde modellen op aanvullende datasets. De verbinding met het proces van gegevenscreatie en -annotatie maakt een snelle model iteratie en verbetering mogelijk.
Inzet van getrainde modellen op het web.

Kunstmatige intelligentie ontwikkeld voor medisch gebruik is complex: een algoritme leest veel medische scans van organen met tumoren, maar ook beelden zonder tumoren, en is verantwoordelijk voor het leren van de modellen die de twee categorieën onderscheiden.

Aanpassen van de algoritme-nauwkeurigheid voor knobbeldetectie

De manier waarop de nauwkeurigheid van het knobbeldetectie-algoritme wordt gemeten terwijl het leert deze tumoren te vinden, is dezelfde als in het kantoor van een specialist, met een meting die « Recall » wordt genoemd. Recall vertelt ons het percentage knobbeltjes dat door het algoritme wordt opgevangen op basis van een gedefinieerd aantal valse alarmen. Bijvoorbeeld, 60% voor Recall@1 betekent dat het 60% van de tumoren zou vastleggen, met één vals alarm per toegestane scan. Voor het maligniteitsalgoritme is het eenvoudigweg het percentage correct geïdentificeerde knobbeltjes.

Theoretisch zou je de drempel voor vals alarm hoger of lager kunnen instellen, maar dit zou het percentage gevangen knobbeltjes beïnvloeden. Als er bijvoorbeeld vier valse alarmen werden toegestaan per gevangen knobbel, zou het percentage toenemen. In de echte wereld betekenen meer valse alarmen onnodige testen voor patiënten. Maar elke arts kan zich op zijn gemak voelen met verschillende niveaus van algoritmische gevoeligheid, waarbij hij prioriteit geeft aan de nauwkeurigheid of het aantal valse positieven vermindert, afhankelijk van zijn of haar eigen workflow.

AI, een andere vorm van leren dan de mens

Dit project belicht de belangrijkste verschillen tussen mensen en moderne AI-systemen. Mensen zijn zeer effectief in het leren op basis van wat we van tevoren weten. Denk bijvoorbeeld aan verkalkte knobbeltjes, die vrijwel zeker goedaardig zijn. Het is gemakkelijk voor de mens om ze te leren herkennen omdat verkalkte knobbeltjes veel dichter (helderder) zijn dan niet-verkalkte knobbeltjes. Men kan ons eenvoudigweg zeggen: « een zeer dichte knobbel is verkalkt en dus goedaardig » en we kunnen deze kennis gebruiken om het juiste antwoord te krijgen, zelfs zonder oefening.

Het AI-systeem heeft echter geen manier om kennis te incorporeren; het kan het concept « verkalkt » niet begrijpen als een concept. Aangezien AI geen idee heeft hoe calcium eruit ziet, of dat verkalkte knobbeltjes goedaardig zijn, moet het dit begrip uit vele voorbeelden opbouwen. In dit geval waren er meer dan 50.000 afbeeldingen nodig om te leren wat een mens kan leren van een beschrijving in een boek.

Aan de andere kant doen AI-systemen snel ervaring op. Deze 50.000 beelden werden in minder dan 20 minuten onderzocht, een taak die menselijke jaren in beslag zou nemen. Dus voor complexere beslissingen, waarbij ervaring waardevoller is dan kennis, kunnen AI-systemen zelfs een voordeel hebben.

Technologie om de medische kosten te verminderen

Toch zullen deze AI-technologieën niet volledig de plaats innemen van de opgeleide artsen. Het is nog maar een klein deel van wat radiologen of artsen doen. Nieuwe AI-systemen zullen de scans sneller en nauwkeuriger onderzoeken voordat artsen de toestand van de patiënt nader onderzoeken. Idealiter zullen deze RN-assistenten de kosten van de gezondheidszorg verlagen, omdat screening tijdrovend is voor artsen, die ook fouten kunnen maken.

Dokters stellen niet veel fout-negatieve diagnoses – ze kunnen geen tekenen van kanker identificeren in een CT-scan. Maar vals-positieven zijn een probleem. Ziekenhuizen besteden uiteindelijk vaak tijd en geld aan het volgen van de voortgang van patiënten die niet zo’n goede zorg nodig hebben.

Het pand van RN in de gezondheidszorg

Dit soort AI is nog maar net begonnen. Maar het zal het terrein van de gezondheidszorg fundamenteel veranderen, vooral in ontwikkelingslanden, waar geschoolde artsen niet zo wijd verspreid zijn. Als de machines de prestaties van sommige artsen zouden kunnen evenaren of zelfs overtreffen, zou dit de manier waarop ziekenhuizen werken kunnen veranderen.

Conclusie

AI werkt heel goed, hoewel het nog niet op het niveau van een radioloog is. Dit komt vooral omdat de dataset niet groot genoeg is. Soortgelijke systemen die door technologiebedrijven of ziekenhuizen zijn ontwikkeld, zouden proberen tienduizenden of zelfs honderdduizenden mensen te gebruiken.