Skip to main content

AI-ondersteuning voor medische professionals

Gerardo Hermosillo Valadez | Siemens-uitvinders van het jaar | Lifetime Achievement

Beeldvormingstechnologieën zoals röntgenfoto's, CT-scans en MRI's helpen artsen al tientallen jaren door hen gedetailleerde beelden van botten en weefselstructuren in het lichaam van de patiënt te geven. "Al deze technologieën voorzien ons van beeldgegevens die alleen nuttig zijn voor een diagnose als ze correct kunnen worden geïnterpreteerd. Iemand moet bijvoorbeeld begrijpen dat de dunne lijn op de röntgenfoto aangeeft dat een bot gebroken is, of de ongebruikelijke massa opmerken in de grote hoeveelheid gegevens van een MRI-scan”, zegt Gerardo Hermosillo Valadez van Siemens Healthineers (SHS), uitvinder van het jaar 2024 in de categorie Lifetime Achievement. „Mijn afdeling werkt aan AI-processen die medische beelden kunnen interpreteren en zo medisch personeel kunnen ontlasten en ondersteunen.”

Beeldinterpretatie met kunstmatige intelligentie

Een man in pak en stropdas staat voor een gebouw met een groot raam.

Gerardo Hermosillo Valadez is uitvinder van het jaar 2024: zijn uitvinding ontwikkelt anatomische intelligentie

Mensen zijn meestal erg goed in het herkennen van dingen op foto's. De meeste mensen zullen het bijvoorbeeld gemakkelijk vinden om de wervelkolom te herkennen op röntgenfoto's — zelfs als de beelden sterk verschillen door verschillende houdingen van de patiënt, verschillende hoeken van waaruit de foto is genomen, grote of kleine botten, of gezonde versus misvormde stekels. Computers kunnen dit alleen doen met behulp van kunstmatige intelligentie — met deep learning — en alleen als ze met vele geschikte voorbeelden zijn getraind. „Op deze manier kan kunstmatige intelligentie anatomische intelligentie ontwikkelen, zodat die zijn weg kan vinden in medische beelden en de verschillende botten, organen en weefsels op de juiste manier kan categoriseren”, zegt Gerardo. "Op dezelfde manier kan AI leren onderscheid te maken tussen normaal en abnormaal weefsel.”

Innovaties die het hele productaanbod van SHS vormgeven

Er zijn veel verschillende toepassingen voor AI-gestuurde beeldherkenning in het dagelijks leven in ziekenhuizen en dokterspraktijken: een systeem kan bijvoorbeeld leren om de juiste beeldgegevens weer te geven in reactie op een instructie zoals "Laat het rechterschouderblad zien”. Het kan ook geautomatiseerde ondersteuning bieden voor radiologische onderzoeken waarbij wordt vastgesteld wanneer het geïnjecteerde contrastmiddel het te onderzoeken orgaan heeft bereikt, en om beeldgegevens te analyseren op mogelijke pathogene veranderingen. Veel van de innovaties die Gerardo heeft ontwikkeld, zijn alomtegenwoordig in het hele assortiment van SHS.

Verschillende AI-leerstrategieën

"Kunstmatige intelligentie is maar zo goed als de gegevens waarmee ze zijn getraind”, benadrukt Gerardo. „Om tumoren op een MRI-beeld te herkennen, moet het eerst geleerd hebben van duizenden beelden van zowel gezonde als zieke mensen die we beschikbaar hebben gesteld.” Er zijn drie basisbenaderingen voor het trainen van AI: leren onder toezicht, leren onder zwak toezicht en leren onder zelftoezicht. Bij leren onder toezicht krijgt de AI nauwkeurige informatie voor elke dataset: bijvoorbeeld „Er zit een tumor in de rechterbovenhoek van de afbeelding.” Bij leren onder zwak toezicht worden slechts enkele informatielabels vermeld: bijvoorbeeld tumor of geen tumor. Bij leren onder zelftoezicht hebben de gegevens helemaal geen labels en leert de AI onafhankelijk : bijvoorbeeld door onderdelen van bestaande voorbeeldafbeeldingen te verbergen en te "raden” hoe ze eruitzien.

Persoon in een zwart hemd die tegen een witte muur staat en een donker voorwerp vasthoudt met een onscherpe achtergrond.

Zijn uitvinding geeft vorm aan het volledige assortiment van Siemens Healthineers

Serieuze man in zwart shirt met tatoeage die tegen een witte muur staat, gedeeltelijk vanaf de rechterkant verlicht

Kunstmatige intelligentie kan leren zijn weg te vinden in medische beelden en deze op de juiste manier te categoriseren.

Bijna net zo slim als een anatomische atlas

Leren onder toezicht is voor AI de snelste en meest efficiënte manier om te leren, maar het is tijdrovend en duur om voldoende trainingsgegevens te verkrijgen die rekening houden met alle relevante aspecten. Leren onder zelftoezicht vergt de meeste leertijd, maar de AI kan onafhankelijk werken zonder dure gegevenslabels. „De laatste tijd hebben we ons geconcentreerd op de nieuwste technieken voor leren onder zelftoezicht, technieken die bijvoorbeeld gebruikt worden door ChatGPT”, zegt Gerardo. „Dat heeft ons een aanzienlijke boost gegeven, vooral op het gebied van anatomische intelligentie. Onze AI is nu bijna net zo slim als een anatomische atlas. Het
kan een onderscheid maken tussen ongeveer 200 verschillende oriëntatiepunten (lichaamsdelen) en deze in het beeldmateriaal lokaliseren.