De “AI Zal Radiologen Vervangen” Voorspelling Is Negen Jaar Oud. Waar Zijn We Nu?

Negen jaar geleden zei een van de meest invloedrijke stemmen in de AI dat mensen “nu moeten stoppen met het trainen van radiologen”. In 2016 klonk dat als een voorspelling die alleen een moedige technoloog hardop zou uitspreken. Computerzicht bewoog snel, medische beeldvorming leek een perfecte match, en radiologie leek van buitenaf een specialisme dat draaide om patroonherkenning. Als deep learning mensen kon verslaan bij beeldherkenning, gingen veel mensen ervan uit dat de rest als dominos zou vallen.

Nu hebben we genoeg afstand om die voorspelling goed te beoordelen. De korte versie is dat radiologen nog steeds hier zijn, nog steeds overbelast zijn en nog steeds in trek zijn. Op plaatsen als het Mayo Clinic is het radiologiestaf personeel scherp toegenomen sinds die voorspelling, terwijl de American College of Radiology en Neiman HPI hebben gewaarschuwd voor werkkrachtspanning en stijgende beeldvormingsvraag. De profetie is niet uitgekomen. De interessantere vraag is waarom.

De voorspelling had het beelddeel goed en het baandeel verkeerd

De oorspronkelijke claim maakte één enorme veronderstelling: dat het lezen van beelden基本 het hele werk is en dat geneeskunde net zo eenvoudig is als boekhouden in termen van AI-implementatie. Dat is het deel waar AI-mensen zich op bleven richten, omdat het netjes paste in de benchmarkcultuur.

Voer scans in, train een model, vergelijk uitvoer, verklaar een winnaar. Echte radiologie is nooit zo schoon geweest. Klinische radiologen interpreteren beelden, ja, maar ze runnen ook klinieken, nemen biopsieën, bereiden patiënten voor op operaties en werken rechtstreeks met andere clinici rond diagnose- en behandelingsbeslissingen.

Die bredere rol is belangrijker dan de oude hypecyclus toegaf. De European Society of Radiology beschrijft radiologen als artsen, beschermers, communicators, innovators, wetenschappers en leraren. Dat is een veel rommeliger doelwit voor automatisering dan “persoon die afwijkingen op een scan opmerkt.” Zodra je stopt met het platdrukken van het specialisme in beeldlabeling, begint de gemiste voorspelling veel meer zin te maken.

Daarnaast is er de vraagzijde, die AI-discours geneigd is te negeren wanneer het te veel bezig is met vervanging. Neiman HPI voorspelde een toename van de radiologenvoorziening met 25,7% van 2023 tot 2055 onder huidige omstandigheden, maar schatte dat de beeldvormingsvraag 16,9% tot 26,9% kon stijgen in dezelfde periode, afhankelijk van de modaliteit.

Dat beschrijft geen beroep dat op weg is naar uitsterven. Het beschrijft een systeem dat probeert bij te blijven. De ACR’s 2026 werkkrachtupdate maakt hetzelfde basispunt: tekorten en stijgende volumes zetten echte druk op het veld uit.

AI heeft radiologie absoluut veranderd, maar niet op de manier van een filmtrailer

Niets van dit alles betekent dat AI gefaald heeft. Verre van dat. De FDA’s lijst met AI-geactiveerde medische apparaten blijft uitbreiden, en radiologie blijft een van de zwaarste concentraties van die tools. Zelfs vroege ziekenhuisenquêtes vonden dat radiologie de plaats was waar de meeste FDA-goedgekeurde AI-medische beeldvormingstools werden gebruikt, en recentere rapporten geven aan dat de adoptie zich verspreidt over een groot deel van de Amerikaanse radiologieafdelingen. Dat betekent vendor lock-in werd in de kiem gesmoord.

Wat er werkelijk wordt geadopteerd, is veelzeggend. Ziekenhuizen in Pew’s enquête gebruikten AI het vaakst voor beeldinterpretatie en -analyse, werklijstprioriteit en workflowondersteuning. In de praktijk betekent dit dat urgente gevallen sneller worden blootgelegd, beelden scherper worden gemaakt, dat wordt geholpen met kwantificering, waarschijnlijke afwijkingen worden gemarkeerd en dat steeds vaker wordt geholpen met de rapportageschrijf ellende die zo veel tijd van radiologen opslokt. Dat is echte waarde. Het is alleen een heel ander verhaal dan lege leesruimtes en ontslagbriefjes.

Het sterkste bewijs blijft in dezelfde richting wijzen: smalle, goed geïntegreerde use cases kunnen werken. Een prospectief Nature Medicine-onderzoek naar borstkankeronderzoek vond dat een AI-geassisteerde additionele-lezerworkflow vroege kankerdetectie verbeterde met minimale extra oproepen. RSNA benadrukte ook Deense gegevens die suggereren dat AI de mammografiewerklast aanzienlijk kan verminderen zonder de nauwkeurigheid van kankerdetectie te schaden. Dat is een serieuze overwinning. Het is ook een workflow-overwinning, geen vervangingsverhaal.

De reden waarom vervanging blijft uitstellen, is dat geneeskunde moeilijker is dan een demo

Een van de meest nuttige realiteitscontroles kwam van een grote Nature Medicine-studie die 140 radiologen over 15 borstfoto-taken onderzocht. AI-ondersteuning verbeterde niet iedereen op dezelfde manier. Sommige radiologen werden er beter van. Sommige werden er slechter van. Het effect hing af van de clinicus en van de kwaliteit van het model. Harvard’s samenvatting van de studie stelde het simpelweg: sterkere AI-tools verbeterden de prestaties van radiologen, terwijl zwakkere tools die konden verslechteren. Dat is niet hoe een turnkey-vervangings technologie zich gedraagt.

Integratie is een andere bakstenen muur waar de voorspelling van 2016 amper rekening mee hield. Een recente review over effectieve AI-integratie in radiologie merkte op dat huidige systemen nog steeds worstelen om klinische gegevens en eerdere of gelijktijdige beeldvorming op te nemen, wat kan leiden tot fouten.

Real-world implementatiegegevens van een Zwitsers beeldvormingsnetwerk toonden meetbare efficiëntiegroei, maar ook aanhoudende barrières zoals slechte rapportintegratie en timingproblemen, waarbij slechts een minderheid van de AI-resultaten beschikbaar waren voordat ze werden gerapporteerd. Het blijkt dat het plaatsen van een algoritme in een ziekenhuisworkflow veel moeilijker is dan het verslaan van een testset.

Dan is er governance, die het gesprek constant terugbrengt naar de aarde. Pew vond dat vroege ziekenhuisadoptie vaak gepaard ging met dunne piloting en monitoring. De FDA vereist nog steeds premarketreview voor veel apparaten, en wees deze maand een petitie af die probeerde de reviewvereisten voor sommige radiologie-AI-producten te versoepelen, met verwijzing naar veiligheids- en prestatieproblemen. Bovendien ligt de juridische verantwoordelijkheid in de VS nog steeds grotendeels bij de arts, en de patiëntenhouding blijft vrij duidelijk: mensen mogen AI in theorie, maar ze willen nog steeds menselijke toezicht in de lus.

Conclusie

Waar zijn we nu? We zijn niet in de wereld die die oude kopregel beloofde. We zijn in een geloofwaardigere wereld, waar radiologie een van de belangrijkste AI-testgronden van de geneeskunde werd, maar het specialisme zelf overeind bleef omdat de baan breder, klinischer en sociaal verantwoorder was dan de voorspelling aannam.

Daarmee betekent de volgende vraag niet of AI radiologen vervangt. Die framing wordt saai. De scherpere vraag is wie de productiviteitswinsten absorbeert, hoe veilig de tools zijn in rommelige real-worldinstellingen, en of betere software burn-out vermindert of gewoon verwachtingen verhoogt voor reeds overbelaste teams.

Selfs Geoffrey Hinton’s huidige positie is veel dichter bij de waarheid dan de 2016 geluidsopname. De toekomst ziet er meer uit als radioloog plus AI dan radioloog versus AI. Dat is minder dramatisch, minder klikbaar, en een stuk dichter bij wat er werkelijk gebeurt.