Nieuwe vooruitgang in AI voor klinisch gebruik

Onderzoekers van Radboudumc hebben geholpen bij het verbeteren van kunstmatige intelligentie (AI) in de klinische omgeving nadat ze hebben aangetoond hoe AI problemen kan diagnosticeren die vergelijkbaar zijn met die van een arts, en ook hebben laten zien hoe het tot een diagnose komt. AI speelt al een rol in deze omgeving, waarbij het wordt gebruikt om afwijkingen snel te detecteren die door experts als een ziekte kunnen worden gelabeld. AI wordt al gebruikt in de diagnose van medische beelden. Wat traditioneel door een arts werd gedaan door een röntgenfoto of biopsie te bestuderen om afwijkingen te identificeren, kan nu met AI worden gedaan. Door het gebruik van diepe leerprocessen kunnen deze systemen zelfstandig diagnosticeren, vaak net zo nauwkeurig of zelfs beter dan menselijke artsen.

AI in de klinische omgeving

Kunstmatige intelligentie wordt steeds vaker gebruikt in de diagnose van medische beelden. Wat traditioneel door een arts werd gedaan door een röntgenfoto of biopsie te bestuderen om afwijkingen te identificeren, kan nu met AI worden gedaan. Door het gebruik van diepe leerprocessen kunnen deze systemen zelfstandig diagnosticeren, vaak net zo nauwkeurig of zelfs beter dan menselijke artsen.
De systemen zijn echter niet perfect. Een van de problemen is dat de AI niet laat zien hoe het de beelden analyseert en tot een diagnose komt. Een ander probleem is dat ze niets extra’s doen, waardoor ze stoppen zodra ze een specifieke diagnose hebben gesteld. Dit kan ertoe leiden dat het systeem sommige afwijkingen mist, zelfs als de diagnose correct is.
In deze situatie is de menselijke arts beter in het observeren van de patiënt, röntgenfoto of andere beelden in het algemeen.

Vooruitgang in de AI

Deze problemen voor AI in de klinische omgeving worden nu aangepakt door onderzoekers. Christina González Gonzalo is een promovendus bij de A-eye Research en Diagnostic Image Analysis Group van Radboudumc.
González Gonzalo heeft een nieuwe methode ontwikkeld voor de diagnostische AI door middel van oogscans die afwijkingen van de retina vonden. De specifieke afwijkingen kunnen gemakkelijk door menselijke artsen en AI worden gevonden en komen vaak in groepen voor.
In het geval van het AI-systeem, zou het één of enkele van de afwijkingen diagnosticeren en stoppen, waardoor één van de nadelen van het gebruik van een dergelijk systeem wordt aangetoond. Om dit aan te pakken, ontwikkelde González Gonzalo een proces waarbij de AI de afbeelding meerdere keren doorloopt. Wanneer het dit doet, leert het om de plaatsen die het al had behandeld te negeren, waardoor het nieuwe kan ontdekken. Bovendien markeert de AI ook verdachte gebieden, waardoor het hele diagnostische proces transparanter wordt voor mensen om te observeren.
Deze nieuwe methode verschilt van de traditionele AI-systemen die in deze omgeving worden gebruikt, die hun diagnose baseren op één beoordeling van de oogscan. Nu kunnen onderzoekers zien hoe het nieuwe AI-systeem tot zijn diagnose is gekomen.
Om de reeds gedetecteerde afwijkingen te negeren, vult het AI-systeem ze digitaal met gezond weefsel uit de omgeving van de afwijkingen. De diagnose wordt vervolgens gebaseerd op alle beoordelingsronden die samen worden genomen.
De studie toonde aan dat dit nieuwe systeem de gevoeligheid van de detectie van diabetische retinopathie en ouderdomsgerelateerde maculadegeneratie met 11,2+/-2,0% verbeterde.
Dit nieuwe systeem kan de manier waarop AI wordt gebruikt bij de diagnose van ziektes op basis van afwijkingen echt veranderen, en de grootste vooruitgang is de nieuwe transparantie die het kan demonstreren bij het ondergaan van dit proces. Deze transparantie is wat toekomstige correcties en vooruitgang mogelijk zal maken, met als einddoel een AI-systeem dat problemen veel nauwkeuriger en sneller kan diagnosticeren dan de beste menselijke experts op het gebied. Dit kan ook leiden tot een meer betrouwbaar systeem, wat mogelijk resulteert in de bredere adoptie ervan binnen het grotere veld.