Interview met een expert Bram van Ginneken

AI heeft de laatste jaren een enorme vlucht genomen, zegt Bram van Ginneken, hoogleraar Functionele Beeldanalyse bij het Radboudumc. ‘Als onderzoeksterrein bestaat AI al sinds de jaren ’80 van de vorige eeuw. Maar het was lange tijd niet mogelijk om systemen te maken die de arts zinvol konden ondersteunen. Het is pas een aantal jaren mogelijk om met AI-technologie systemen te maken die de zorg echt goed helpen.’

Die ontwikkeling heeft geleid tot meer enthousiasme voor het vakgebied. Ook binnen het Radboudumc, waar Van Ginneken een onderzoeksgroep leidt die zich bezighoudt met toepassingen van AI in de zorg. Die zijn er met name op het gebied van medische beeldvorming. ‘De pathologie begint nu echt een digitaal vakgebied te worden’, zegt Van Ginneken. ‘De laatste jaren worden alle coupes, flinterdunne plakjes van bijvoorbeeld kankerweefsel, gescand en gedigitaliseerd.’ Het resultaat: gigantische foto’s, die zich uitstekend lenen voor het gebruik van AI, bijvoorbeeld om automatisch cellen te tellen.

Nieuwe terreinen

Sinds de doorbraak van AI haken andere vakgebieden in de zorg aan. Daarin speelt het AI for Health-programma een aanjagende rol, zegt Van Ginneken. ‘We zijn met dit programma bezig om te kijken of we AI op meer terreinen kunnen toepassen. Dat is altijd een lastige stap, dus moedigen we ook bedrijven aan om het ontwerpen van AI-software te faciliteren.’ Binnen het Radboudumc lopen allerhande projecten om meer informatie uit bestaande data te halen: van patiëntdossiers tot röntgenfoto’s. ‘De algemene lijn van ons onderzoek is dat we AI op veel terreinen willen toepassen’, zegt Van Ginneken. ‘Sommige zijn daar klaar voor, andere niet. Het is experimenteren en nieuwe terreinen verkennen.’

Doel van AI

Het doel van AI is volgens Van Ginneken om de gezondheidszorg beter én goedkoper te maken. ‘We hebben in Nederland al goede zorg; het grootste probleem wordt de bekostiging. Willen we de zorg op een hoog niveau en betaalbaar houden, dan moeten we het anders gaan aanpakken, en er met AI voor zorgen dat we met minder mensen toe kunnen. Anders gaan we failliet.’

Toekomstige rol van AI

In de toekomst ziet Van Ginneken dan ook een grotere rol voor AI weggelegd, met name op het gebied van de radiologie. ‘AI kan CT- en MRI-scans automatisch beoordelen en daarmee radiologen ontlasten. Het aantal AI-softwarepakketten voor de analyse van radiologische beelden is in vijf jaar gestegen van twintig naar tweehonderd. Mede daardoor zijn straks minder mensen nodig. Software kan zelfs helpen bepalen of die scans überhaupt nodig zijn bij een patiënt.’

Nieuws en verhalen Wetenschapsdossiers Artificial Intelligence

Ons wetenschappelijk onderzoek naar AI

Artificial Intelligence (AI) of kunstmatige intelligentie kan de zorg op veel manieren ondersteunen. Het kan artsen helpen bij het maken van klinische beslissingen, maar kan ook taken automatiseren en zo de kosten drukken en de gezondheidszorg betaalbaar houden. Bovendien kan AI de gezondheidszorg verbeteren door klinisch bruikbare informatie uit patiëntengegevens te halen. lees meer

Ons wetenschappelijk onderzoek naar AI

Artificial Intelligence (AI) of kunstmatige intelligentie kan de zorg op veel manieren ondersteunen. Het kan artsen helpen bij het maken van klinische beslissingen, maar kan ook taken automatiseren en zo de kosten drukken en de gezondheidszorg betaalbaar houden. Bovendien kan AI de gezondheidszorg verbeteren door klinisch bruikbare informatie uit patiëntengegevens te halen.

Wat verstaan we onder Artificial Intelligence?

AI is een verzamelnaam voor systemen of machines die onze intelligentie nabootsen. Zo kunnen ze taken voor ons uitvoeren, en zichzelf tegelijkertijd verbeteren. Een deel van AI is machine learning: daarbij is sprake van een lerend systeem, dat zichzelf kan verbeteren op basis van de data die het krijgt. Daarbij kan je denken aan chatbots die jouw problemen begrijpen en automatisch een antwoord geven, of een programma dat je automatische aanbevelingen geeft voor films op basis van je kijkgedrag.

Deep learning

Een variant op machine learning is deep learning. Daarbij kan een AI-systeem complexe patronen herkennen in grote gegevensreeksen, door gebruik te maken van algoritmen die de werking van het menselijk brein nabootsen, zogenaamde 'diepe neurale netwerken'. Het verschil tussen deep learning en het bredere begrip ‘machine learning’ is de nauwkeurigheid van analyses die de algoritmen doen: ze zijn zo grondig dat ze vergelijkbaar zijn met de processen in onze hersenen. Een netwerk van deze algoritmes kan daardoor grote hoeveelheden data verwerken en daarvan leren.

Gegevens zijn overal in ziekenhuizen: patiëntendossiers, klinische metingen, genetische informatie, tekstverslagen en beelden. Die gegevens vormen de basis van diagnoses, beslissingen, behandelingen, monitoring en real-time ondersteuning tijdens bijvoorbeeld operaties en ingrepen.

Ondersteuning bij diagnostiek

Het is mogelijk om patronen te herkennen in die medische gegevens, bijvoorbeeld om te helpen bij diagnostiek. Ook op andere medische gebieden waar grote hoeveelheden data beschikbaar zijn, zoals genetica, temporele monitoring of grote teksten (patiëntendossiers), kan deep learning wetenschappelijk onderzoek, en daarmee de klinische praktijk verbeteren.

AI kan klinische beslissingen ondersteunen en taken automatiseren en daarmee de kosten drukken en de gezondheidszorg betaalbaar houden. Ook kan het de gezondheidszorg verbeteren door het vinden van betere manieren om klinisch bruikbare informatie uit gegevens te halen. Projecten binnen ziekenhuizen, zoals Radboud AI for Health, kunnen die enorme hoeveelheden gegevens beschikbaar stellen voor onderzoek. Dat maakt de gezondheidszorg een interessant domein voor AI.


Interview met een expert Bram van Ginneken

‘AI kan stijgende zorgkosten beteugelen’ lees meer

Patiëntonderzoek binnen het Radboudumc voorbeelden waar AI een rol speelt

Binnen het Radboudumc werkt Radboud Technology Center (RTC) Deep Learning aan de analyse van medische beelden en andere medische data met behulp van AI. RTC Deep Learning heeft computers beschikbaar voor het ontwerpen en uitvoeren van deep learning-systemen, adviseert andere afdelingen binnen het Radboudumc en ontwikkelt voor hen de algoritmes en analysesoftware. Lees meer de verschillende toepassingen. lees meer

Patiëntonderzoek binnen het Radboudumc voorbeelden waar AI een rol speelt


  • 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


Overig onderzoek waar AI een rol speelt

Lees hier meer over onze onderzoeken waar Artificial Intelligence een rol speelt. lees meer

Overig onderzoek waar AI een rol speelt


  • 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 bij prostaatkanker

Tijdens de jaarlijkse nieuwjaarsbijeenkomst voor medewerkers blikten we vooruit op 2022 en de rol die AI speelt bij het diagnosticeren van prostaatkanker.

Podcast

Beluister de podcast AI for life. In deze serie vertellen top-experts, onder andere uit het Radboudumc, over de laatste ontwikkelingen in AI, die ze hier en nu zelf vormgeven. beluister

Meer weten?


Contact

Wilt u meer weten over ons onderzoek naar Artificial Intelligence? Neem dan contact op met onze wetenschapsvoorlichters. contact
  • Medewerkers
  • Intranet