Nieuws AI kan helpen COVID19 te diagnosticeren op Rontgenfotos
17 juni 2020

Over de hele wereld hebben zeker 8 miljoen mensen een besmetting gehad met het coronavirus. De diagnose kan gesteld worden met een Röntgenfoto van de borst, waarop de longen te zien zijn. Meestal doet een radioloog dat, maar een onderzoek van Radboudumc, Jeroen Bosch Ziekenhuis en Bernhoven laat zien dat een systeem op basis van Artificiële Intelligentie (AI) dat net zo goed kan. Het onderzoek is gepubliceerd in het wetenschappelijke tijdschrift Radiology.
 

Snel en goedkoop COVID-19 opsporen

De resultaten van het onderzoek bieden mogelijkheden voor de mondiale coronacrisis en de schaarste van testkits. Het maken en beoordelen van röntgenfoto’s is namelijk een snelle en relatief goedkope manier om de COVID-19 diagnose mede te stellen. Ook landen waar de gezondheidzorg minder ontwikkeld is, hebben de mogelijkheid om röntgenfoto’s te maken. Echter, in deze landen zijn niet altijd voldoende radiologen beschikbaar om de beelden te beoordelen. AI kan hier een oplossing bieden.
 

Een computer als collega-radioloog

In het huidige onderzoek is gebruik gemaakt van het AI-systeem CAD4COVID-XRay. Er is begonnen met het systeem middels ‘deep learning’ (zie onder) te trainen met longfoto’s van andere ziekenhuizen van gezonde longen, longontstekingen, en longontstekingen veroorzaakt door COVID-19. Daarna zijn 454 röntgenbeelden van het Jeroen Bosch Ziekenhuis beoordeeld door zowel het AI-systeem als door zes radiologen. Het AI-systeem wist alle röntgenbeelden even goed te beoordelen als de radiologen.
 
Eerder had het AI-systeem zich al bewezen voor tuberculose, maar het is de eerste keer dat dit onderwerp is onderzocht. De volgende stap is om het AI-systeem extra te ‘trainen’ met meer beelden en eventueel te combineren met laboratorium uitslagen.
 

Achtergrond: wat is ‘deep learning’?

Deep learning is een term die gebruikt wordt voor systemen die leren op een vergelijkbare manier als dat onze hersenen werken. Het bestaat uit een soort (elektronische) neuronen, die elk een aspect van het gewenste plaatje leren herkennen. Dan geldt verder: al doende leert men, en oefening baart kunst. Het systeem krijgt meer en meer plaatjes te zien met daarbij de gewenste onderscheidende informatie, zoals of een beeld wel of geen kanker bevat. Vervolgens leert het herkennen welke aspecten er bij de kanker horen, en hoe meer plaatjes het ziet, hoe beter het die aspecten ook in een ander, nog niet gediagnosticeerd plaatje kan herkennen. (Bij kleine kinderen doen we eigenlijk hetzelfde: we houden het vaak een appel voor de neus en zeggen daarbij dat het een appel is. Op een gegeven moment hoef je het er niet meer bij te zeggen.) Een groot voordeel van deze systemen is ook dat ze veel sneller leren dan mensen, en 24 uur per dag kunnen werken.
 
 

Meer nieuws


Nijmegen zet Digital Health letterlijk op de kaart Florerend ecosysteem krijgt eigen interactief overzicht

19 juli 2021 Digital Health floreert in de regio Nijmegen, waar het bijdraagt aan een betere zorg en gezondheid en ook werkgelegenheid schept. Om ontwikkelaars en eindgebruikers nog dichter bij elkaar te brengen, introduceren The Economic Board en het Radboudumc de Interactieve Digital Health kaart lees meer

Scherpere, selectievere MRI-scan geeft robot meer precisie mee EFRO ondersteunt vernieuwend project in Health-sector Gelderland

1 juni 2021 De twee Gelderse bedrijven Soteria Medical en Tesla Dynamic Coils hebben met het Radboudumc ruim een miljoen euro subsidie ontvangen van het Europese Fonds voor Regionale Ontwikkeling (EFRO-Oost). lees meer
  • Medewerkers
  • Intranet