Samenwerking Leiden-Delft-Erasmus brengt zelflerend zorgsysteem snel dichterbij
Dankzij AI een adequatere diagnose en prognose dan ooit, met minder ingrijpend medisch onderzoek? Wetenschappers uit Leiden, Delft en Rotterdam, werkend op het kruispunt van geneeskunde en techniek, zijn hard op weg. Met kunstmatige intelligentie realiseren imaging-hoogleraren Serge Rombouts en Wiro Niessen een uiterst grondige, zelflerende adviseur voor de radioloog. Op basis van modellen zoals hun Delftse collega Marcel Reinders die ontwikkelt. 'In Delft wordt heel goed nagedacht over fundamentele vragen, waarmee je een model beter maakt. In Rotterdam en Leiden komen enorm veel medische data tot stand waarmee de modellen kunnen leren, en wetenschappers daar denken na over wat ze met die data kúnnen.
Een zelflerende computer die adviseert of beslist
Een MRI-scan is zo gebruikelijk geworden, dat je je bijna niet meer realiseert wat een wonder van techniek het eigenlijk is. De herkenbare beelden van bijvoorbeeld het brein zijn het resultaat van berekeningen aan radiogolven. Bijzonder knap, maar Serge Rombouts van het Leids Universitair Medisch Centrum vindt dat nog geen kunstmatige intelligentie. 'Dat is het pas als de computer iets adviseert of beslist.’ Precies waar de Leidse hoogleraar Methoden in cognitieve neuro-imaging onderzoek naar doet, zowel bij de faculteit Psychologie als de afdeling Radiologie.
AI leert van hersenscans en zoekt mee naar diagnose
De fysicus Rombouts is expert op het gebied van functionele MRI. Deze fMRI brengt activiteit van hersengebieden in beeld. Veel van Rombouts werk is gericht op het vroegtijdig signaleren van hersenaandoeningen, zoals dementie. 'We werken eraan computers te trainen om een ziekte te herkennen op basis van geavanceerde scans van hersennetwerken. De computer combineert alle scans van structuur, functie en activiteit van één patiënt en vergelijkt die met die van andere mensen. Op basis van een beslismodel dat hij zelf maakt door te leren van al die data, kan de computer in de toekomst mogelijk bijdragen aan de diagnose.'
Vergezicht: leren van alle data
Stel dat zo'n intelligent systeem nog meer data tot zijn beschikking heeft om van te leren. Niet alleen uit scans, maar ook genetische data, bloedmetingen, of gegevens van wearables die bijvoorbeeld een etmaal je hartfunctie volgen. En dat zo'n systeem dan ook al die waarden van andere patiënten paraat heeft als vergelijkingsmateriaal. Dat is het vergezicht waar Wiro Niessen, net als Rombouts van huis uit fysicus, en hoogleraar Biomedische beeldanalyse en machine learning aan de TU Delft en het Erasmus MC, naartoe probeert te werken.
'We kunnen bijvoorbeeld een AI-algoritme ontwikkelen met data van prostaatkankerpatiënten uit verschillende ziekenhuizen. We leren dan op basis van die data de relatie tussen de diagnostische data en de uitkomst van de patiënt; zo kunnen we een systeem ontwikkelen dat voor een nieuwe patiënt kan inschatten wat voor tumortype iemand heeft, en wat de prognose en verwachte therapierespons zal zijn.'
RijksDataStaat
Tot nu toe worden volgens Niessen heel veel data nauwelijks gebruikt. 'Je maakt een scan, trekt daaruit een conclusie voor deze patiënt, en daar blijft het vaak bij. De uitdaging is om een infrastructuur te ontwikkelen waarmee we data kunnen hergebruiken voor de ontwikkeling van algoritmen. Het is daarbij niet nodig om alle data van alle ziekenhuizen in één systeem te stoppen, maar als ziekenhuizen hun data op een uniforme manier opslaan, kunnen algoritmen daarmee uit de voeten. We hebben daarvoor eigenlijk een "RijksDataStaat" nodig, zeggen we wel eens gekscherend. Als voorbeeld werken we nu in het kader van Covid-19 aan een landelijk dataportaal.'
Leiden ⇌ Delft ⇌ Erasmus
Niessen verbindt wetenschappers van de TU Delft met die van het Erasmus MC. 'Veel van mijn masterstudenten uit Delft, veelal engineers of AI-specialisten, lopen stage in het Erasmus MC. Studenten van verschillende faculteiten in Delft − Applied Sciences, EWI, biomedical engineering − zijn heel geïnteresseerd in medische vraagstukken.'
Rombouts uit Leiden is ook geen onbekende voor Niessen. Voor zijn Vici-onderzoek deed Rombouts analyses met data uit de Rotterdam-studie. De Rotterdam-studie, een bevolkingsstudie met zo'n 15.000 deelnemers vanaf 45 jaar, is een prachtige databron voor de systemen die Rombouts en Niessen ontwikkelen. Sinds 1990 volgen wetenschappers deze groep mensen uit de wijk Ommoord.
Niessen: 'Dat onderzoek is voor ons een geweldige bron van informatie, omdat naast MRI-beelden van de hersenen bijvoorbeeld ook genetische data zijn verzameld, en gevolgd wordt hoe het met de deelnemers gaat. Rombouts: 'Wij onderzoeken met deze data of MRI voorspellende waarde heeft voor het ontstaan van dementie.'
Spin-off: van kennis tot patiënt
Om te zorgen dat al die kennis en mogelijkheden op de markt en daarmee bij de patiënt terechtkomen, is samenwerking met bedrijven nodig. Niessen richtte zelf het spin-off bedrijf Quantib op, dat nu wereldwijd software levert om MRI-hersenscans te analyseren. 'Zonder die software moet een radioloog op basis van kennis en ervaring schatten of een gemeten breinvolume of wittestofafwijking normaal is voor bijvoorbeeld iemand van zestig. Onze software bepaalt dit in maat en getal, en wéét uit data uit de Rotterdam-studie wat gemiddeld is voor iemand van die leeftijd. Radiologie wordt zo kwantitatiever en objectiever.'
De basis: modellen, made in Leiden-Delft-Erasmus
Aan de basis van wat Wiro Niessen en Serge Rombouts willen bereiken, staan modellen gemaakt door zelflerende algoritmen. Aan die uitdaging werkt Marcel Reinders bij de TU Delft en bij LUMC. Hij illustreert wat zo'n model kan: 'We starten nu een project in Rotterdam waarbij we willen inschatten of een binnenkomende Covid-patiënt wel of niet op de intensive care terecht zal komen en voor hoe lang. Voor artsen komt een achteruitgang bij deze patiënten vaak onverwacht. Zij kunnen slechts een paar parameters beoordelen, bijvoorbeeld temperatuur, leeftijd, gewicht. Een algoritme kan er met gemak honderd, of veel meer.'
Véél meer. Reinders over een recent succes: 'Je kunt van menselijke cellen RNA-profielen maken waarbij je per cel 20.000 genen identificeert. Dat zijn dus 20.000 parameters. En dat wil je dan van 10.000 bloedcellen, waaruit je dan T-cellen, B-cellen enzovoort kunt identificeren. Zo zie je bijvoorbeeld of iemand ziek is of niet, bij ziekte zijn er meer T- en B-cellen. In Delft hebben we een algoritme ontwikkeld om heel snel inzicht te leren krijgen in al die parameters, en dat bij heel veel cellen. Mijn collega's in Leiden hebben met dat algoritme ontdekt dat er niet twintig, maar minstens 115 celtypen in bloed voorkomen.'
Mooi om te zien hoe de instituten van Leiden, Delft en Erasmus elkaar steeds opzoeken. Reinders: 'In Delft wordt heel goed nagedacht over fundamentele vragen, waarmee je een model beter maakt. In Rotterdam en Leiden komen enorm veel medische data tot stand waarmee de modellen kunnen leren, en wetenschappers daar denken na over wat ze met die data kúnnen. Al zie ik dat onderscheid wel minder scherp worden.' Tja, dat komt door die goede samenwerking natuurlijk.