Skip to main content
Deze pagina wordt weergegeven met behulp van automatische vertaling. In plaats daarvan in het Engels bekijken?

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 te geven van botten en weefselstructuren in het lichaam van de patiënt. „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

A man in a suit and tie is standing in front of a building with a large window.

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 als gevolg van 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 diepgaand leren — en alleen als ze zijn opgeleid met veel geschikte voorbeelden. „Op deze manier kan kunstmatige intelligentie anatomische intelligentie ontwikkelen, zodat ze zijn weg kan vinden in medische beelden en de verschillende botten, organen en weefsels op de juiste manier kan categoriseren”, zegt Gerado. „Op dezelfde manier kan AI leren onderscheid te maken tussen normaal en abnormaal weefsel.”

Innovaties die het hele SHS-productassortiment 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 SHS-productassortiment.

Verschillende leerstrategieën op het gebied van AI

„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 supervisie krijgt de AI nauwkeurige informatie voor elke dataset: bijvoorbeeld „Er zit een tumor in de rechterbovenhoek van de afbeelding.” Bij onderwijs onder zwak toezicht worden slechts enkele informatielabels vermeld: bijvoorbeeld tumor of geen tumor. Bij zelfgestuurd leren hebben de gegevens helemaal geen labels en leert de AI onafhankelijk van elkaar: bijvoorbeeld door onderdelen te verbergen voor bestaande voorbeeldafbeeldingen en te „raden” hoe ze eruitzien.

Person in black shirt standing against white wall, holding a dark object with blurred background.

Zijn uitvinding vormt de basis voor het volledige assortiment van Siemens Healthineers

Serious man in black shirt with tattoo standing against white wall, partially illuminated from right side

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 anatomieatlas

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 eigen toezicht vergt de meeste leertijd, maar de AI kan onafhankelijk werken zonder dure gegevenslabels. „De laatste tijd hebben we ons geconcentreerd op de nieuwste leertechnieken onder zelftoezicht, technieken zoals die 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 anatomieatlas. Het kan een onderscheid maken tussen ongeveer 200 verschillende oriëntatiepunten (lichaamsdelen) en deze in het beeldmateriaal lokaliseren.