Twee onderzoekers van het Radboudumc, Geert Litjens en Rogier Kievit, hebben een European Research Council (ERC) Starting Grant ontvangen. Ze krijgen ieder een bedrag van 1,5 miljoen euro om een ambitieus project vorm te geven en een eigen onderzoeksgroep samen te stellen. Geert Litjens ontwikkelt een compleet nieuwe vorm van AI, waarvan de resultaten niet alleen zijn uit te leggen (geen black box!) en die voor het eerst ook zelfstandig de stap naar diagnose en prognose kan maken. AI verandert daardoor van gewaardeerde hulp naar serieuze collega-arts.
In de geneeskunde wordt AI tot dusver vooral gebruikt om het werk van de arts te verlichten. Met AI zijn bijvoorbeeld tumoren en uitzaaiingen automatisch te detecteren en te meten. En dat kan AI steeds beter en sneller, waardoor het inmiddels in ziekenhuizen gebruikt wordt als gewaardeerde hulp van de arts. De voordelen? AI wordt niet moe, levert constante resultaten en levert extra capaciteit bij gebrek aan het aantal beschikbare specialisten.
AI inventiever maken
De introductie van AI in de pathologie was mogelijk doordat de analyse van weefsel via de microscoop werd vervangen door digitale opnames in hoge resolutie. Gevoerd door enorme hoeveelheden data leverden Artificiële Intelligentie (AI) en Machine Learning (ML) resultaten op die het werk van pathologen evenaarden en soms zelfs overtroffen. Maar dan gaat het toch voornamelijk om het detecteren en meten van tumoren. Er is nog veel meer mogelijk wanneer AI breder en inventiever wordt toegepast, stelt Geert Litjens, verbonden aan de afdeling Pathologie van het Radboudumc. Die mogelijkheden heeft hij uiteengezet in het project AIS-CaP (Interpretable Artificial Intelligence across Scales for Next-Generation Cancer Prognostics), dat nu is gehonoreerd met een ERC Starting Grant.
Grote gevolgen
Litjens: “AI moet niet alleen nabootsen wat menselijke experts kunnen doen, maar prestaties proberen te leveren die veel verder gaan. In het tijdperk van gepersonaliseerde geneeskunde moeten we gebruikmaken van computationele technologieën zoals Machine Learning om de door pathologen ontworpen beoordelingssystemen te verbeteren. Als dit lukt, kunnen we bijvoorbeeld nieuwe biomarkers ontdekken die grote gevolgen zullen hebben voor de klinische oncologie en het kankeronderzoek. Om deze grote nieuwe stap te kunnen zetten is een nieuwe methodologische aanpak essentieel.”
Lokaal en globaal
Voor die vernieuwende aanpak heeft de onderzoeksgroep van Litjens een nieuw algoritme ontwikkeld, dat SSGD wordt genoemd (stochastic streaming gradient descent). Dit algoritme maakt volledige integratie mogelijk van lokale details en globale context van complete beelden (whole slide images - WSI) in één enkel Machine Learning model. Door het algoritme te verrijken met de nieuwste technieken uit de computationele taalverwerking moet het mogelijk worden om algoritmes te maken die inzichtelijk en verklaarbaar zijn. Daarmee wordt tegemoet gekomen aan de kritiek dat veel algoritmes momenteel fungeren als een black box, die geen inzicht geven in de onderliggende afwegingen waarop ze zijn gebaseerd.
Afbeelding: Voorbeeld van globale context en lokale informatie in een enkel dia-beeld van een operatief verwijderde prostaat. Uiterst links is een plak van de hele klier te zien met de tumor zwart omcirkeld. Vervolgens wordt steeds verder ingezoomd. Eerst op de tumor zelf, dan op enkele tussenstadia en tot slot (uiterst rechts) op de cellulaire kenmerken.
AI geeft prognose
Belangrijk aspect van de nieuwe aanpak is dat direct de prognose van de patiënt wordt voorspeld uit de microscoopbeelden zonder tussenkomst van een door mensen opgesteld graderingssysteem. Hierdoor kan AI nieuwe biomarkers ontdekken die niet door mensen gekwantificeerd kunnen worden en daardoor de diagnostiek voor patiënten fors verbeteren. Litjens: “De techniek moet het ook mogelijk maken om niet alleen naar kankerspecifieke biomarkers te kijken, zoals voor prostaat- of borstkanker, maar naar kanker in het algemeen. Op deze manier willen we met dit AIS-CaP project zowel de computationele pathologie, machine learning, het oncologisch onderzoek als de klinische zorg een essentiële stap verder brengen.”
In totaal gingen ditmaal vijf ERC’s naar Nijmegen. Naast Rogier Kievit en Geert Litjens van het Radboudumc ontvangen ook Hans Rutger Bosker, Tim Kietzmann en Willem Velema van de Radboud Universiteit een ERC.
-
Meer weten over deze onderwerpen? Klik dan via onderstaande buttons door naar meer nieuws.