De medische praktijk vereist steeds meer interpretatie van digitale beelden. Het gebruik van AI om die beelden te lezen werd al lang geleden voorspeld, maar de uitvoering ervan in de praktijk bleek lastiger dan menigeen dacht. Tot op heden wordt AI vooral gebruikt voor het meten van standaardmarkers in medische beelden, zoals de omvang of vorm van een laesie. Išgum: ‘Ons doel is om de praktijk verder te automatiseren, meer reproduceerbaar te maken, en zo de werklast van deskundigen te verlichten. Maar we willen ook methoden ontwikkelen voor op beeld gebaseerde diagnose en prognose, zonder tussenstappen.’ Zo hopen deskundigen onder meer dat AI binnenkort ook een risicoprognose kan bieden, bijvoorbeeld op het risico op een hartaanval, en ook de uitkomst van interventies kan voorspellen, zoals het effect van bepaalde medicatie.

Een kwestie van data
Net als op alle andere terreinen van AI-ontwikkeling zijn hoogwaardige datasets van vitaal belang om de beste resultaten te bereiken. Het grootste probleem met betrekking tot de data die in ziekenhuizen worden verzameld, is dat deze — in tegenstelling tot sommige andere gebieden van AI-beeldanalyse — niet uit het publieke domein komen. Talloze vraagstukken met betrekking tot de privacy en de rechten van patiënten moeten nog worden opgelost, voordat de informatie met onderzoekers kan worden gedeeld. Išgum: ‘Een aantal jaar geleden waren veel deskundigen heel optimistisch over de snelheid waarmee ziekenhuizen hun processen zouden kunnen automatiseren. Inmiddels is duidelijk dat het niet zo vlot gaat, en een van de belangrijkste oorzaken waardoor we vertraging oplopen, is de beperkte hoeveelheid data. We werken nu vaak met gegevens afkomstig van één groep mensen met een specifieke pathologie en die worden geanalyseerd door één enkele deskundige, terwijl in de klinische praktijk veel meer variatie in de data te zien is.’

Interactie met deskundigen
Išgum ontwerpt niet alleen de tools, maar onderzoekt ook manieren om deze in de klinische routine te implementeren. In haar opvatting is het essentieel dat de tools naadloos aansluiten op de huidige klinische workflows, in plaats van dat de workflows worden aangepast aan de tools. AI-technologie voor beeldanalyse is momenteel beschikbaar op een aantal medische gebieden, maar met betrekking tot de implementatie ervan zijn er nog steeds urgente vragen.

Om zo goed mogelijk te begrijpen hoe de door haar ontworpen tools in de praktijk zullen worden gebruikt, neemt Išgum ook deel aan medische conferenties in de vakgebieden waarvoor de tools worden gemaakt. ‘Ik wil echt dat mijn werk een bijdrage levert aan het klinische veld, dus ik moet bijblijven met alle relevante ontwikkelingen. Ook weet ik daardoor waar ik aan moet werken, want het is belangrijk om te werken aan dingen die vanuit klinisch oogpunt interessant zijn. Ik moet de problemen en uitdagingen van artsen begrijpen, zodat ik software kan ontwerpen die daadwerkelijk nuttig is.’

Oog op de toekomst
Wat de toekomst betreft, zegt Išgum dat het sciencefictionbeeld waarin we AI een scan van een menselijk lichaam laten analyseren en een diagnose laten stellen van elk aangetroffen probleem, voorlopig nog geen werkelijkheid wordt. ‘Het is een prachtig idee, maar er zitten een aantal risico's aan vast – bijvoorbeeld dat van overbehandeling. Want als je iets ziet waarnaar je niet op zoek was en niet zeker weet of het van belang is, kan het onduidelijk zijn of het behandeld moet worden. En behandeling kan altijd een domino-effect hebben, dus we weten niet zeker wat de gevolgen ervan zouden kunnen zijn, omdat klinische handelingen momenteel anders in zijn werk gaan. Uiteindelijk zou het ideaal kunnen blijken, omdat we nu vaak te kampen hebben met te late diagnose. En zou het in principe moeten helpen om dat risico weg te nemen, maar tegelijkertijd zou het wel eens onvoorziene problemen kunnen opleveren. Er is zoveel potentieel op dit gebied, dus er valt nog veel te doen.’