AI kan “ambachtelijke” beeldanalyse van chirurgen versnellen

In een stille ziekenhuisruimte buigt een orthopedisch chirurg zich over een reeks röntgenbeelden. Op het scherm ziet hij heupen en knieën in grijstinten. Hij zoomt in, versleept de afbeelding, past het contrast aan en trekt dan lijnen met een digitale geodriehoek. 'Nu de volgende hoek meten', zucht hij. Minuten gaan voorbij per patiënt. Geen slimme software te bespeuren, enkel een gedreven arts met een scherpe blik en een hoop geduld.

De orthopedische geneeskunde, die focust op ons bewegingsstelsel, heeft de afgelopen decennia enorme technologische sprongen gemaakt. Denk aan robotchirurgie en 3D-geprinte implantaten. Toch blijft de orthopedie op vlak van medische beeldanalyse opvallend ambachtelijk: zelfs hoogopgeleide artsen meten nog handmatig hoeken op röntgenfoto’s.

Voorbeeld van een medische beeldanalyse: door de uitlijning van boven- en onderbeen op een staande röntgenfoto te meten, kunnen artsen nauwkeurig vaststellen of er sprake is van afwijkingen zoals X-benen of O-benen.

Meten is weten

Hoek- en afstandsmetingen van het skelet van een patiënt zijn cruciaal om een juiste diagnose te stellen of een operatie goed te plannen. Denk bijvoorbeeld aan bepalen of iemand X- of O-benen heeft of het voorbereiden van knie- en heupprotheses.

De arts tekent die anatomische lijnen handmatig op de foto en berekent de hoeken tussen die lijnen. Op basis daarvan kan hij bijvoorbeeld inschatten welke stukken bot tijdens een operatie zal weghalen om de stand van het been te corrigeren.

In het ziekenhuis telt elke minuut. Hoewel artsen hiervoor goed getraind zijn, is het uitvoeren van metingen tijdrovend, complex en vatbaar voor interpretatie. Dat merken ook de artsen zelf. Eén van hen vertelde: 'Ik doe die metingen meestal in mijn vrije tijd.' Een ander gaf eerlijk toe: 'Het is een verschrikkelijk saaie bezigheid.' Artsen gebruiken zowel klassieke röntgenbeelden als driedimensionale CT-scans. Op een röntgenfoto meet de arts in twee dimensies, wat de interpretatie overzichtelijk houdt. Bij CT-beelden daarentegen wordt elke meting in drie dimensies uitgevoerd. Dit maakt de analyse nog complexer.

De automatische geodriehoek

Artificiële intelligentie (AI) biedt vandaag talloze mogelijkheden om artsen te helpen. Toch denken veel mensen bij AI vooral aan spectaculaire voorbeelden: echt lijkende filmpjes die door een computer zijn gegenereerd of robots die de wereld gaan overnemen. Maar de echte kracht van AI ligt vaak in de stille revolutie, toepassingen die niet per se een wow-effect hebben, maar wél een groot verschil maken in de dagelijkse praktijk van het ziekenhuis. Een van die toepassingen is het automatisch meten.

In ons onderzoek passen we een soort AI toe die ontwikkeld is voor beeldanalyse. Specifiek werken we met zogenaamde convolutionele neurale netwerken. Deze vorm van AI blinkt uit in het herkennen van patronen, precies wat nodig is bij medische beeldvorming. We doen dit op zowel de klassieke röntgenfoto’s alsook op CT-beelden.

De patronen die we onderzoeken zijn de vormen van botstructuren bij verschillende patiënten. Door het AI-model te trainen op een groot aantal medische beelden, gekoppeld aan metingen die door artsen werden uitgevoerd, leert het systeem om die metingen zelfstandig uit te voeren. Op een nieuwe röntgenfoto kan het model dan zelf de juiste lijnen trekken en de bijhorende hoeken berekenen, zonder menselijke tussenkomst.

Van meting naar ondersteuning

De resultaten zijn veelbelovend: de nauwkeurigheid van de automatische metingen benadert die van ervaren artsen, en dat volledig automatisch en binnen enkele seconden. Toch is de brede toepassing van deze technologie in ziekenhuizen nog niet vanzelfsprekend.

Dat heeft te maken met de grote variatie in medische beelden: elk ziekenhuis werkt met andere toestellen, instellingen en patiëntpopulaties. Zo presteert een model dat enkel getraind is op beelden van patiënten zonder implantaten bijvoorbeeld slecht bij patiënten met implantaten. Daarom willen we in de toekomst meer en diverse data verzamelen, zodat de AI beter leert omgaan met die verschillen.

De metingen vormen slechts de eerste stap in een lang traject van diagnose, planning en uitvoering. Dit zijn stappen die vandaag nog altijd menselijke expertise vereisen. Automatische metingen gaan niet over het vervangen van artsen, maar over het verbeteren van kwaliteit, snelheid en consistentie. Zo krijgt de arts van morgen meer tijd voor wat echt telt: de zorg voor de patiënt.