Artificiële intelligentie verovert de geneeskunde

In het kort

Scans en foto’s doorzoeken op tumoren is een belangrijke taak voor radiologen.

Met beeldherkenning bewijst artificiële intelligentie zijn nut in de sector.

De software moet nog een aantal cruciale tekortkomingen overwinnen.

Computers worden steeds beter in het analyseren van röntgenfoto’s en CT-scans. Radiologen voelen de hete adem van kunstmatige intelligentie in hun nek.

Bijna exact een jaar geleden slaagde een computer erin om vier van de beste professionele pokerspelers te verslaan in een toernooi No-Limit Texas Hold’em. Dat was indrukwekkend: omdat pokerspelers onvolledige informatie hebben en elkaar kunnen misleiden, is poker voor een computer complexer dan schaak of Go.
Aan de basis van die overwinning ligt artificiële intelligentie, een systeem dat computers toelaat om taken uit te voeren op een manier die wij mensen als intelligent beschouwen. Computerprogramma’s krijgen gigantische hoeveelheden data te verwerken. Met zelflerende algoritmes distilleren ze daar vervolgens zelf regels uit, die ze toepassen om taken op te lossen.

Vandaag vindt artificiële intelligentie steeds meer toepassing in medisch onderzoek. Bedrijven als IBM, Google en Philips investeren fors in de ontwikkeling van zelflerende algoritmes die toepassingen kunnen hebben in de medische zorg.

Het Amerikaanse wetenschappelijke tijdschrift IEEE Spectrum houdt een scorebord bij waarop het aangeeft wie de winnaar is in de denkbeeldige competitie tussen artificiële intelligentie en artsen van vlees en bloed. Intelligente software scoort momenteel al op twee vlakken beter dan artsen. Zowel bij het diagnosticeren van longontsteking als bij het voorspellen van autisme op basis van hersenscans staat het op kop. Artificiële intelligentie is volgens het blad net zo goed als de beste arts in staat hersenkanker en huidkanker op te sporen.

Katten- en röntgenfoto’s

De snelste ontwikkelingen vinden plaats op het terrein van de radiologie, het specialisme dat ziekten of letsels in het lichaam opspoort met röntgenfoto’s, CT-scans en MRI’s. Vandaag beroepen radiologen zich op artificiële intelligentie of deep learning om die beelden te bestuderen. Dat is een gevolg van een revolutie in computer vision, de capaciteit van software om objecten in beelden te herkennen en te classificeren.

In 2012 slaagde een door Alex Krizhevsky en Geoffrey Hinton (University of Toronto) ontwikkelde software erin de zogeheten Image-Net-competitie te winnen met een foutpercentage van minder dan 25 procent. Dat was een doorbraak. In die jaarlijkse wedstrijd moeten softwareprogramma’s katten, honden, vliegtuigen,  grasmaaiers en honderden andere objecten van elkaar onderscheiden in een collectie van online gevonden foto’s. Anno 2018 voltooien computers de Image-Net-uitdaging met minder dan 2 procent fouten.

Die vooruitgang is uitsluitend te danken aan zogenoemde diepe neurale netwerken. Het gaat om software die de werking van het centrale zenuwstelsel imiteert met lagen van onderling verbonden neuronen. Zo’n netwerk leert niet doordat het regels gedicteerd krijgt, maar door grote hoeveelheden data te analyseren. Hoe meer beelden de software heeft gezien van verschillende katten met verschillende kleuren en uit verschillende hoeken, hoe beter het in staat zal zijn één kat te vinden in een collectie van duizenden foto’s.

Waarom is dat zo belangrijk? Als zo’n deep learning-netwerk in staat is honden en katten van elkaar te onderscheiden, dan kun je het in principe ook trainen om afwijkingen op te sporen in röntgenfoto’s, CT-scans en MRI’s.

Goedkope tests

Bram van Ginneken, hoogleraar functionele beeldanalyse aan het Radboudumc in Nijmegen, is een pionier op het gebied van beeldherkenning in medische toepassingen. Nog voor neurale netwerken aan hun opmars begonnen, ontwikkelde hij samen met Delft Imaging Systems de CAD4TB (Computer Aided Detection for Tuberculosis). Dat is klassieke software die dient om op digitale longfoto’s te speuren naar de zeer besmettelijke ziekte tuberculose.

‘CAD4TB wordt vooral gebruikt in landen in Azië en Afrika. Daar komt tuberculose vaak voor, maar zijn er te weinig radiologen om de beelden te analyseren’, zegt Van Ginneken.

De software gaat mee met rijdende laboratoria zonder radiologen, maar met röntgenapparatuur. In zo’n lab kan getraind personeel dagelijks wel honderd tot tweehonderd röntgenfoto’s maken. De software heeft dan ongeveer een minuut nodig om te zien of de foto van een borstkas abnormaliteiten bevat die wijzen op tbc. Als het antwoord daarop positief is, volgt alsnog een sputumtest. Die kan definitief uitmaken of er tbc in de longen zit, maar is ook veel duurder.