Artificial Intelligence

De verdeling van vet- en spierweefsel in ons lichaam is geassocieerd met uitkomst van een operatie, de snelheid waarmee geneesmiddelen worden afgebroken en de overleving van mensen met kanker.

Het bepalen van de verdeling tussen vet- en spierweefsel op grond van CT-scans wordt nog vaak handmatig gedaan. Dat kost veel tijd en moet worden gedaan door iemand met veel expertise. Daardoor is zo’n bepaling te duur om klinisch toepasbaar te zijn.

RTC Deep Learning heeft een algoritme en computerprogramma ontwikkeld dat automatisch de hoeveelheid spierweefsel en vetweefsel in kaart brengt op grond van CT-scans. Er is verder geen speciale hardware voor nodig. Het programma, dat Grand Challenge heet, is ook geschikt voor andere algoritmes.

Lees meer informatie op de site van RTC Deep Learning. 

In het AQUILA-project ontwikkelen onderzoekers van het Radboudumc deep learning-algoritmes voor de analyse van weefsel van mensen met borst-, darm- en leverkanker. Behandelaars kunnen daarmee een prognose op maat geven, en daarmee een gepersonaliseerde behandeling.

Mensen met kanker hebben vaak te maken met over- of onderbehandeling, omdat de typering van een kankersoort vaak niet specifiek genoeg is. Dat leidt tot ernstigere ziekte en een lagere overleving. Onderzoekers zoeken daarom naar nieuwe biologische markers die per patiënt het beloop en de ernst van de ziekte kunnen voorspellen.

Uit eerder onderzoek blijkt dat de samenstelling van het immuunsysteem voorspellende waarde heeft bij mensen met kanker. Die kan in kaart worden gebracht door het analyseren van een weefselcoupe: een flinterdun plakje van een stukje weefsel dat tijdens een operatie wordt verwijderd.

In het AQUILA (Automatic QUantification of Infiltrating Lymphocytes in cAncer)-project digitaliseren onderzoekers van het Radboudumc deze weefselcoupes met deep learning. Met geschikte algoritmes levert dat een accurate en reproduceerbare bepaling op van de hoeveelheid immuuncellen en hun eigenschappen. Dat levert waardevolle prognostische informatie op. Behandelaars hebben daarmee een snelle en goedkope manier om uiteindelijk per de patiënt de meest geschikte behandelmethode te kunnen bepalen.

Lees meer informatie op de site van RTC Deep Learning.

Onderzoekers van het Radboudumc ontwikkelen algoritmes om MRI-scans van de hersenen van patiënten met niet-specifieke klachten automatisch te beoordelen.

In het Radboudumc worden jaarlijks meer dan tweeduizend MRI-scans van het hoofd gedaan bij patiënten met niet-specifieke klachten. Het is handwerk om die scans als normaal of abnormaal te bestempelen.

Onderzoekers van het Radboudumc maken gebruik van deep learning om deze MRI-beelden te beoordelen. Daarvoor gebruiken ze een set van algoritmes, die ze daardoor met elkaar kunnen vergelijken. Het uiteindelijke doel van dit onderzoek is om geautomatiseerd te kunnen beoordelen of MRI-beelden ‘normaal’ of ‘abnormaal’ zijn. Dat maakt de zorg op dit gebied sneller en kosteneffectiever.

Lees meer op de site van RTC Deep Learning.

Algoritmes kunnen de beoordeling van foto’s van kransslagaders automatiseren, zodat de kans op een hartinfarct zichtbaar wordt.

Coronairlijden is een van de meest voorkomende vormen van hart- en vaatziekten in Nederland. Daarbij zorgen vet- en kalkafzettingen voor een vernauwing van de kransslagaders, waardoor minder zuurstof het hart bereikt. Dat kan leiden tot een hartinfarct.

Uit wetenschappelijk onderzoek blijkt dat de dikte van de vaatwand van de kransslagaders een indicator is voor het risico op coronairlijden. Daardoor is er steeds meer interesse in het detecteren van vet- en kalkafzettingen en het meten van de vaatwand aan de hand van beeldvorming. Dat gebeurt op basis van honderden foto’s van de vaatwand die met de hand moeten worden beoordeeld, en dat kost veel tijd.

Onderzoekers van het Radboudumc werken aan automatisering van dit proces met behulp van deep learning. Ze hopen dat ze met deze aanpak de kans op coronairlijden sneller en goedkoper kunnen bepalen.

Lees meer op de site van RTC Deep Learning.

Onderzoekers kunnen met behulp van deep learning het beloop voorspellen van een acute hersenbloeding.

Een acute hersenbloeding is voor 40 procent van de patiënten dodelijk binnen een maand. Bij een derde van deze mensen wordt de bloeding groter binnen de eerste uren. Die groei van de bloeding draagt bij aan de kans op sterfte of invaliditeit. De initiële grootte van de bloeding is dan ook een indicator voor neurologische achteruitgang en het beloop.

Bovendien kan het in de toekomst mogelijk worden om in een vroeg stadium de hersenbloeding te stelpen, om schadelijke bijeffecten zoveel mogelijk te verminderen. De huidige methoden om de grootte van een bloeding te meten zijn echter niet accuraat, duren lang, en de uitkomsten van zo’n meting zijn erg afhankelijk van degene die hem doet.

Onderzoekers van het Radboudumc werken daarom aan een geautomatiseerde meting van een acute hersenbloeding. Zo kunnen behandelaars eerder ingrijpen en verergering van de bloeding voorkomen.

Lees meer op de site van RTC Deep Learning

Dankzij deep learning kan een knieoperatie bij kinderen zo efficiënt mogelijk worden gepland.

Een verschoven knieschijf is de vaakst voorkomende acute aandoening aan de knieën bij kinderen en pubers. Soms is deze het gevolg van een erfelijke aandoening, waarbij de knie een andere vorm heeft. Voor een operatie aan de knie van deze kinderen gebruiken wetenschappers van het Radboudumc een driedimensionaal model van de knie, gebaseerd op CT-scans.

Met behulp van deep learning kan zo’n model nauwkeurig worden gemaakt, zodat de operatie zo goed mogelijk van tevoren kan worden gepland. Zo kunnen behandelaars de stabiliteit van de knie zo snel en nauwkeurig mogelijk terugbrengen, met zo min mogelijk bijeffecten na de operatie.

Lees meer op de site van RTC Deep Learning

Deep learning helpt behandelaars spierafwijkingen classificeren in normaal en afwijkend. Dat scheelt veel tijd en moeite en levert een snellere diagnose op.

Bij mensen met een zenuwaandoening aan de spieren wordt vaak een echo gedaan om te bepalen wat de oorzaak van de aandoening is. De echoscopist maakt dan een opname van drie verschillende hoeken. Daaruit volgt een score, die kan worden vergeleken met de gezonde situatie. Het berekenen van zo’n score is een bewerkelijk proces.

Onderzoekers zetten deep learning in om deze echobeelden te classificeren. Daarmee kan een algoritme automatisch onderscheid maken tussen normaal en afwijkend spierweefsel. Dat kan zorgen voor een snellere diagnose.

Lees meer op de site van RTC Deep Learning.

Onderzoekers van het Radboudumc kunnen aan de hand van MRI-scans niet alleen prostaatkanker in beeld brengen, maar ook bepalen hoe ernstig en agressief de tumor is.

MRI-beelden van de prostaat worden meestal beoordeeld door een radioloog op aanwezigheid van kankercellen. AI neemt de radioloog veel werk uit handen door die beoordeling automatisch te doen. Daarvoor hebben onderzoekers van het Radboudumc onder leiding van radioloog Tom Scheenen algoritmes ontworpen. Die kunnen aan de hand van MRI-scans objectief berekenen of er sprake is van prostaatkanker, en zo ja, hoe ernstig en agressief de tumor is.

Lees hier verder.

Van MRI-scans tot patiëntdossiers: er zijn steeds meer data in de zorg. Intussen is de hoeveelheid zo groot, dat die niet meer is te meten in gigabytes. Wat moeten we met al die data?

Als we ons één gigabyte voorstellen als de grootte van de Aarde, dan is een exabyte net zo groot als de zon. Intussen is sprake van meer dan 2000 exabytes aan zorgdata. Om daar deep learning op los te laten, zijn handvatten nodig in de vorm van annotaties of verklarende aantekeningen, die de algoritmes leren welke data ze voor zich hebben. Maar gezien de enorme hoeveelheid is handmatig annoteren onmogelijk.

Onderzoekers van het Radboudumc werken daarom aan een manier om die data geautomatiseerd te verwerken. Bijvoorbeeld met een deep learning-methode om op foto’s van coupes, flinterdunne stukjes weefsel van bijvoorbeeld een tumor, automatisch interessante delen te herkennen. Zo kunnen wetenschappers, en uiteindelijk de zorg, toch profiteren van die schat aan verzamelde data.

Lees meer op de site van RTC Deep Learning.

AI for Health is een samenwerking tussen het Radboudumc en de Radboud Universiteit, gericht op het ontwikkelen van innovaties op basis van AI die klinische problemen oplossen in het Radboudumc en andere zorginstellingen.

Lees meer op de website AI for Health

Het Innovation Center for Artificial Intelligence (ICAI) is een landelijk netwerk gericht op technologie- en talentontwikkeling tussen kennisinstellingen, bedrijfsleven en overheid op het gebied van AI.

Lees meer op de website van Het Innovation Center for Artificial Intelligence

Thira Lab is een samenwerking tussen het Radboudumc en Thirona, een spin-out-bedrijf van het Radboudumc dat innovatieve beeldvormingsoplossingen ontwikkelt.

In Thira Lab werken negen promovendi en postdocs van het Radboudumc aan deep learning-beeldanalyse van CT-scans, röntgenfoto’s en netvliesbeelden. Met dit onderzoek naar innovatieve beeldvormingsoplossingen wil Thira Lab de gezondheidszorg versterken.

Lees meer op de website van ICAI

Thirona is een spin-off van het Radboudumc die zich richt op de ontwikkeling van geautomatiseerde analyse van medische beelden, zoals CT-, röntgen- en netvliesscans. 

Lees meer op Thirona.eu 

Screenpoint Medical is een spin-off van het Radboudumc die zich richt op het gebruik van AI bij screening naar borstkanker.

Lees meer op de website van Screenpiont Medical

Aiosyn is een spin-off van het Radboudumc die zich richt op het gebruik van AI bij de beoordeling van coupes, flinterdunne plakjes weefsel, op de aanwezigheid van kankercellen. 

Lees meer op Aiosyn.com