Doel van de samenwerking is kanker beter te kunnen behandelen met kunstmatige intelligentie. Voorafgaand en tijdens de behandeling komt veel en complexe informatie van de patiënt beschikbaar door middel van medische beeldvorming, pathologie, DNA, et cetera. Het is voor medisch specialisten uitdagend op basis van al deze informatie de beste behandeling te kiezen en uit te voeren. Het gebruik van zelflerende algoritmen kan uitkomst bieden.

Kennisdomeinen gecombineerd

De samenwerking combineert expertise in kankeronderzoek met die van AI-technieken. Deze kennisdomeinen worden vertegenwoordigd door Jan-Jakob Sonke namens het NKI, gespecialiseerd in beeldgestuurde therapie, en Marcel Worring namens de UvA, als AI-expert.

‘Eerste stip op de horizon is om één of meerdere door het ICAI-lab ontwikkelde zelflerende algoritmes binnen het Antoni van Leeuwenhoek ziekenhuis uit te rollen’, zegt Sonke.

‘Deep learning’

‘AI-technologie gaat een steeds grotere rol spelen in het wetenschappelijk onderzoek naar kanker’ vertelt Worring, hoogleraar bij het Instituut voor Informatica van de UvA. ‘Zelflerende algoritmes kunnen soms taken overnemen waar normaal gesproken menselijke intelligentie voor nodig is. Een familie van zelflerende algoritmen is ‘Deep Learning’. In plaats van dat de programmeur expliciet vertelt op welke delen van de data het algoritme moet letten, vertelt die alleen wat het eindresultaat moet zijn. Het voordeel daarvan is dat het ‘Deep Learning’-algoritme tot inzichten kan komen waar de programmeur zelf nooit aan gedacht had.’

In het geval van beeldherkenning voor het opsporen van kanker wordt een grote database van medische afbeeldingen van patiënten met kanker gebruikt. De computer leert daarvan en kan, als de database groot genoeg is, voor sommige vormen al net zo goed als een specialist tumoren herkennen. Door AI-gedreven beeldanalyse, die de behandelaar continu van informatie voorziet, kan bijvoorbeeld een therapie veel patiëntspecifieker toegepast worden.

Patiëntenbehandeling

‘Er zijn een aantal aspecten die we willen realiseren’, zegt Sonke. ‘Bijvoorbeeld het ontwikkelen van algoritmes die semi-automatische behandelingen mogelijk kunnen maken. Dat is de analogie van de zelfrijdende auto. De flexibiliteit en frequentie waarop we op de veranderingen in de patiënt kunnen inspelen, kan veel verfijnder. Daarnaast willen we, in het kader van ‘personalized medicine’, op basis van beelden voorspellen welke patiënt het meest gebaat is bij welke therapie.’