Betekent AI het einde van de radioloog?

Walter Van Dyck

Door Walter Van Dyck

Professor of Innovation Management

26 november 2019

Artificiële intelligentie (AI) is een hot topic, ook in de gezondheidszorg. Hoe kan AI nu de kwaliteit en efficiency van de zorgverstrekking verbeteren? Tijdens een webinar georganiseerd door het Vlerick Healthcare Management Centre liet dokter Erik R. Ranschaert, AI-expert en radioloog verbonden aan het Nederlands Kankerinstituut (NKI) in Amsterdam, zijn licht schijnen over de mogelijkheden en uitdagingen van AI in de radiologie. Voor wie het webinar gemist heeft lichten we hier de belangrijkste inzichten toe.

iStock-1013559166.jpg

Belangrijkste inzichten

  • Radiologie is koploper in het gebruik van artificiële intelligentie
  • AI is bij uitstek geschikt om de kerntaken van de radioloog te ondersteunen, maar kan worden ingezet in elke stap van de workflow.
  • Het succes van AI staat of valt met de naadloze integratie van AI in de bestaande workflow, en aantoonbare verbeteringen in efficiency en behandeluitkomsten. 

AI is geen nieuw fenomeen, maar gaat terug tot de jaren 1950. Machine learning1 brak commercieel door in de jaren 1980-1990, maar pas de laatste vijf à tien jaar is een en ander in een stroomversnelling gekomen dankzij de exponentieel toegenomen rekenkracht, big data en de ontwikkeling van cloudtechnologie en neurale netwerken. Het deeplearningalgoritme AlexNet was een doorbraak: in 2012 won het de ImageNet-wedstrijd met een significant lagere foutenmarge dan tot dan toe mogelijk was. ImageNet is een database met miljoenen met de hand geannoteerde afbeeldingen van dieren, planten en voorwerpen, waaruit computeralgoritmes er, tijdens een jaarlijkse wedstrijd, zo veel mogelijk moeten herkennen.

Verschuivingen

Momenteel beleven we een vierde industriële revolutie en die laat zich voelen in de geneeskunde in het algemeen en de radiologie in het bijzonder. Dankzij data-integratiemogelijkheden zien we een verschuiving naar geneeskunde op maat. Datakwantificatie en geautomatiseerde beeldanalyse winnen aan belang, en er is een groeiende behoefte aan automatisatie. Niet alleen wegens de steeds grotere werklast, de taak van de radioloog wordt ook complexer en medische beeldvorming speelt een alsmaar belangrijkere rol in therapie – radiologen zijn in toenemende mate betrokken bij multidisciplinaire teams.

Radiologie loopt voorop

Het hoeft trouwens niet te verwonderen dat radiologie vandaag koploper is op het gebied van AI en met name machinelearning- en deeplearningtoepassingen. AI leent zich immers bij uitstek voor beeldklassificatie en -analyse, en laat dat nu de kerntaak zijn van radiologie. Het specialisme beschikt bovendien over omvangrijke gecategoriseerde datasets én het is een grote markt. In 2016 werden in Duitsland jaarlijks 23 miljoen CT/MRI-scans gemaakt, in België en Nederland toen nog tot tienmaal minder, maar de markt groeit snel.

Toekomstpotentieel

Eerst en vooral is er een belangrijke rol weggelegd voor AI bij de ondersteuning van kerntaken: opsporing, karakterisering en monitoring van afwijkingen en letsels  op scans. Meestal zal het algoritme de radioloog helpen bij de beeldinterpretatie, in sommige gevallen kan het de taak van de radioloog volledig overnemen en bijvoorbeeld een CT-scan rechtstreeks doorsturen naar de spoedarts. In het NKI wordt momenteel een algoritme getest dat volledig automatisch een röntgenfoto van de borstkas analyseert en becommentarieert. Als door de hoge werklast scans niet meteen kunnen worden bekeken, kan AI helpen om prioriteiten te bepalen door automatisch afwijkende scans te signaleren, bijvoorbeeld scans met een longembolie2 of afwijkende mammografieën. Veelbelovend is ook het gebruik van AI voor multimodale integratie – de combinatie van data van verschillende bronnen, zoals diverse radiologische onderzoeken, pathologieresultaten, chirurgische informatie en andere patiëntgegevens. Het uiteindelijke doel? Een nauwkeurigere voorspelling van het behandeleffect, bijvoorbeeld bij kanker.

Meer dan beeldanalyse

Beeldanalyse mag dan een belangrijke taak zijn, de workflow van de radioloog behelst veel meer, en in principe kan AI in alle stappen van die workflow worden ingezet om hem efficiënter te maken en de service voor de patiënt te verbeteren: van afsprakenbeheer tot weergaveprotocollen, facturatie en aangepaste communicatie.

Van bedreiging naar opportuniteit

Geoffrey Hinton, godfather van neurale netwerken en o.a. betrokken bij de ontwikkeling van AlexNet, deed in 2016 veel stof opwaaien toen hij verklaarde dat het eigenlijk geen zin meer heeft om nog radiologen op te leiden3. Zulke uitspraken zijn koren op de molen van sceptici en verklaren wellicht veel van de aanvankelijke weerstand tegen AI. Intussen is die weerstand weggeëbd en zien de meeste radiologen AI niet langer als een bedreiging, maar als een opportuniteit. De eerste door de FDA goedgekeurde algoritmes worden gebruikt in de klinische praktijk en in onderzoek, andere worden getest.

En de patiënt?

Patiënten, echter, lijken er voorlopig nog niet zomaar voor gewonnen. Zij aanvaarden AI alleen op voorwaarde dat de arts de uiteindelijke beslissing neemt, zelfs als de diagnose gesteld door het AI-algoritme nauwkeuriger is, zo blijkt uit een recente studie gepubliceerd in het Journal of Consumer Research.

Nog lang niet werkloos

De kans dat de radioloog binnenkort overbodig wordt is trouwens erg klein. Vooralsnog kan AI enkel eenvoudige welomlijnde vragen beantwoorden. Zo zal een toepassing voor de detectie en monitoring van longtumoren zeggen om welk type tumor het gaat en of hij gegroeid is, maar de klaplong die de radioloog op dezelfde scan wél zou zien, zal die applicatie nog niet vinden. Het zal nog een hele tijd duren voor we zover zijn. De ontwikkeling van zo’n toepassing zou trouwens ontzettend veel geannoteerde trainingsdata vergen.

Mitsen en maren

Dat brengt ons bij de belangrijkste knelpunten en valkuilen.

  • Verreweg het grootste probleem is het gebrek aan data. Ziekenhuizen durven geen gegevens uit te wisselen uit angst de privacyregels te overtreden. Wie denkt dat euvel te verhelpen door data te betrekken uit landen met minder strenge regels, zoals China, vergist zich. Met name voor epidemiologisch onderzoek is het belangrijk om lokale gegevens te hebben om verbanden te vinden tussen ziekte, behandeling en factoren in de omgeving van de patiënt. Bovendien kost het annoteren van data veel tijd en ook hier geldt het motto: garbage in, garbage out.
  • Een ander heikel punt is het gebrek aan studies die de diagnostische nauwkeurigheid van AI-algoritmes valideren in de klinische praktijk, aldus een meta-analyse verschenen in  The Lancet Digital Health .
  • Hoewel AI in principe aanzienlijke mogelijkheden biedt om de efficiency en de nauwkeurigheid van radiologie te verbeteren, is haar implementatie niet zonder meer vanzelfsprekend. Als algoritmes te veel valspositieve en/of valsnegatieve uitslagen opleveren, zullen radiologen ze niet willen gebruiken. Idem dito als het te veel clicks kost om resultaten te bekijken. Het succes van AI staat of valt met de naadloze integratie van AI in de bestaande workflow, en aantoonbare verbeteringen in efficiency en behandeluitkomsten.
  • Ten slotte is het belangrijk om ook de ethische aspecten niet uit het oog te verliezen2.

Hoe moet het nu verder?

Wat moet er gebeuren opdat het potentieel van AI ten volle benut kan worden?

  • Eerst en vooral dient het gebrek aan data te worden aangepakt. Er is behoefte aan een medisch ImageNet.
  • Daarnaast moet er werk worden gemaakt van data-integratie en moet de samenwerking tussen ziekenhuizen gestimuleerd worden, om gegevens te delen, maar ook om algoritmes en ervaringen uit te wisselen.
  • Voorts is er de kwestie van de klinische relevantie van AI: hoe meet je behandeluitkomsten?
  • Er moet ook goed worden nagedacht over hoe en wanneer AI aan bod komt in de opleiding. Sommigen vrezen voor een dekwalificatie van radiologen, maar, zo benadrukte Erik, het is niet de bedoeling dat radiologen AI-algoritmes blindelings gebruiken. Net zoals ze de basisprincipes van magnetische resonantie moeten beheersen zodat ze weten welke beeldartefacten een MRI kan produceren, zo zullen ze ook die van AI moeten kennen. In dat verband moet worden nagedacht over certificatie.
  • Verder is er volgens Erik vooral behoefte aan ‘lokale kampioenen’ – pleitbezorgers van AI die hun schouders zetten onder projecten – en inspirerende voorbeelden van succesvolle initiatieven.
  • En ten slotte is er nood aan een killerapp.

Moeten radiologen vrezen voor hun job? Volgens Erik alvast niet. Wel moet de functie opnieuw bedacht worden. Hoe kunnen radiologen met behulp van AI betere informatie geven aan collega’s van andere disciplines? Want, zoals dokter Curtis Langlotz van Stanford University zei: “AI zal geen radiologen vervangen. Wel zullen radiologen die AI gebruiken zij die dat niet doen vervangen.”

1 Machine learning is een onderdeel van artificiële intelligentie. Anders dan bij klassiek programmeren vertellen machinelearningalgoritmes computers niet hóe ze een probleem moeten oplossen, maar leren ze computers problemen op te lossen door ze te trainen om patronen of regels te herkennen in aangeboden data. Deep learning is een specifieke tak van machine learning waarbij gebruik wordt gemaakt van diepe neurale netwerken. 'The Ultimate Guide to AI in Radiology' biedt meer achtergrondinformatie bij artificiële intelligentie, machine learning en deep learning en het gebruik ervan in de radiologie. 
Een longembolie is een bloedklonter die de longslagader afsluit.
Een artikel in Radiology Journal biedt een degelijk onderbouwd standpunt van toonaangevende vakverenigingen uit Europa en Noord-Amerika.

Neem contact op!

Walter Van Dyck

Walter Van Dyck

Professor Technology & Innovation Management and Faculty Dean