Kunstmatige-intelligentiesysteem herkent afwijkende thoraxbeelden
1 reactieDat met behulp van artificiële intelligentie (AI) röntgenbeelden goed te interpreteren zijn, laat onderzoek zien dat door Mauro Annarumma e.a. is gepubliceerd in Radiology.
Mauro Annarumma e.a. ontwikkelden een AI-systeem door 470.388 thoraxfoto’s vergezeld te laten gaan van beschrijvende rapporten, waarna al die teksten werden geanalyseerd met behulp van een programma dat natuurlijke taal kan verwerken. Op die manier konden ze beelden rangschikken als kritiek, urgent, niet urgent en normaal. Vervolgens werd een AI-systeem getraind om bij deze gelabelde beelden de klinische prioriteit vast te stellen louter op grond van de visuele informatie.
De ‘vaardigheden’ van dat systeem werden vervolgens weer losgelaten op ruim 15.800 nieuwe thoraxfoto’s. De resultaten waren behoorlijk goed: het AI-systeem kon normale beelden van afwijkende opnamen onderscheiden met een sensitiviteit van 71 procent en een specificiteit van 95 procent.
Het proces dat aan deze AI-techniek ten grondslag ligt is deep learning, een specifieke vorm van machine learning. Bij machine learning wordt een computer gevoed met grote datasets (zoals in dit geval beelden die al dan niet symptomen van een ziekte tonen) en kan het lerende programma deze kennis toepassen op nieuwe situaties. De nauwkeurigheid van het AI-systeem verbetert naarmate het wordt blootgesteld aan meer gegevens. Deep learning is gebaseerd op de neurale structuur van het menselijk brein. Net als een neuraal netwerk gebruikt het verschillende abstractieniveaus om over de wereld te leren. Zulke leeralgoritmen zijn geschikt voor taken als spraak-, tekst- en beeldinterpretatie, en in het bijzonder (visuele) patroonherkenning, hetgeen wordt gedemonstreerd in het onderzoek van Annarumma e.a.
Een recent rapport van Nictiz geeft een overzicht van de mogelijkheden van AI in de gezondheidszorg. Het expertisecentrum concludeert dat AI nu nog vooral wordt toegepast bij medische beeldvorming, maar er liggen ook al andere toepassingen in het verschiet, zoals de detectie van afwijkende cellen bij pathologie en het herkennen van dermatologische afwijkingen.
Radiology, doi: 10.1148/radiol.2018180921
lees ook-
Henk Maassen
Henk Maassen studeerde biologische psychologie aan de Radboud Universiteit Nijmegen. Hij werkte kortstondig als onderzoeksassistent en daarna als (freelance) journalist/redacteur voor tal van bladen en uitgeverijen en als voorlichter voor de Tweede Kamer. Sinds 1999 is hij redacteur bij Medisch Contact, met speciale belangstelling voor psychiatrie en neurowetenschappen, sociale geneeskunde en economie van de gezondheidszorg. Henk stelt wekelijks de Media & cultuur-pagina’s samen.
H. Kleijer
ANIOS , Groningen
Als ik het goed begrijp, is het radiologisch verslag de benchmark waarmee een dergelijk deep learning systeem getraind én getoetst wordt. Betekent dit dan ook dat zo'n systeem uiteindelijk dezelfde biases ontwikkelt als een radioloog? Of wordt dit te...niet gedaan doordat er verslagen van veel verschillende radiologen worden gebruikt, of worden de verslagen gebruikt die bleken te kloppen bij verder aanvullend onderzoek, of...?