Kunstmatige intelligentie, ook bekend als artificial intelligence (AI), houdt de gemoederen de laatste tijd behoorlijk bezig. Niet alleen in de maatschappij, maar ook in de zorg. Aan de ene kant biedt AI talloze mogelijkheden. Denk bijvoorbeeld aan het snel en nauwkeurig analyseren van vele histologische coupes. Maar er zijn ook vragen en uitdagingen. Wat is AI, hoe kan AI in de borstkankerzorg ingezet worden en moeten artsen en onderzoekers vrezen voor hun baan nu computers een deel van hun taken kunnen overnemen? Dit en meer kwam aan bod in het ‘Real World Data and AI symposium’ van de Borstkanker Onderzoek Groep (BOOG), dat op 31 januari jl. gehouden werd (mede mogelijk gemaakt door symposiumpartner Pfizer Oncology en sponsor Lilly Oncology). Tijdens de Workshops in de middag konden de live deelnemers zelf ervaren hoe AI toepassingen kunnen ondersteunen bij diagnostiek, besluitvorming en dataverzameling (mede mogelijk gemaakt door IKNL en Performation).
Onder leiding van prof. dr. Lenny Verkooijen (hoogleraar, divisie Beeld en Oncologie, UMC Utrecht) kwamen tijdens het BOOG-symposium ‘Real world data en AI’ verschillende interessante onderwerpen aan bod. Dr. Joost Huiskens sprak over de wisselwerking tussen real-worlddata en AI, dr. Kenneth Gilhuijs legde uit wat AI eigenlijk is en dr. Annemieke Witteveen liet in haar presentatie voorbeelden zien waarbij AI niet tot de juiste oplossing kwam. Prof. mr. dr. Corette Ploem sprak over wat het inzetten van AI in de borstkankerzorg voor goed hulpverlenerschap en medische aansprakelijkheid betekent en prof. dr. Jelle Wesseling liet tot slot zien hoe AI ingezet kan worden voor een betere diagnostiek van ductaal carcinoma in situ (DCIS). De presentaties van Joost Huiskens, Kenneth Gilhuijs en Jelle Wesseling worden hieronder uitgelicht.
De wisselwerking tussen real-worlddata en AI
In zijn presentatie liet Joost Huiskens (Chief Medical Informatics Officer, Microsoft Nederland) zien hoe real-worlddata met AI omgezet kunnen worden naar bruikbare kennis. “Aan de ene kant is er een exponentiële toename van wetenschappelijke publicaties rond de ontwikkeling van AI”, zei hij. “Maar aan de andere kant zijn er maar weinig studies gedaan naar de klinische implementatie van AI.”1 Hoe komt dit? En kan de ontwikkeling van large language models (LLM’s) zoals ChatGPT hierin iets veranderen?
“Het is bijzonder dat we inmiddels beschikken over technologie als ChatGPT”, zei Huiskens. “Er gaat dan ook een verschuiving komen van het gebruik van ‘dokter Google’ naar meer ChatGPT-achtige oplossingen, als een soort assistent.” Zo kan ChatGPT ondersteunen bij het genereren van medische rapportages, het samenvatten van medische en genetische gegevens voor een oncologisch MDO of de voortgang in klinisch onderzoek volgen.
“LLM’s zijn geen traditionele computers”, gaf Huiskens aan. “Je moet ze meer zien als een soort gretige assistent die ook wel eens fouten maakt.” Een belangrijke vraag hierbij is dan ook: wat wordt beschouwd als een acceptabele prestatie voor AI in de zorg?2 Hoewel daar nog geen antwoord op is, moeten we daar volgens Huiskens wel over gaan nadenken.
“Veel AI-toepassingen vallen momenteel onder de regulering voor medical devices, maar er is nog geen reguleringsframework voor LLM’s.3 Daarbij moeten we ook nadenken over de ethische richtlijnen waarbinnen we AI verantwoord kunnen inzetten.” Hij sloot af met de vraag wat je als ziekenhuis moet doen om echt met AI aan de slag te gaan. “Zet hierbij in op twee zaken. Allereerst data, waarbij de data losgetrokken moet worden van die ene functie waarvoor je het wil gebruiken; data moet overal heen kunnen. Vervolgens moet ingezet worden op het op een verantwoorde manier omgaan met die data en het verkrijgen van vertrouwen in AI-technologie. En daarover moeten we echt met elkaar in gesprek.”
Wat is AI eigenlijk?
“Het is niet eenvoudig AI te definiëren”, stelde Kenneth Gilhuijs (Associate Professor of Translational Imaging in Oncology, UMC Utrecht). “De Van Dale zegt: ‘het met behulp van een computer nabootsen van menselijk denken’. Wikipedia zegt dat AI de wetenschap is ‘die zich bezighoudt met het creëren van een artefact dat een vorm van intelligentie vertoont’.”
Ook is het volgens Gilhuijs niet eenvoudig te bepalen of AI intelligent is. In 1950 bedacht Alan Turing dat een computer intelligent genoemd kon worden als deze in staat zou zijn een mens te laten geloven dat hij een mens is.4 In 2023 is deze Turing-test uitgevoerd met AI. Hieruit bleek dat mensen bijna niet meer in staat zijn om te beoordelen of ze met een mens of computer praten.5 “Helaas kunnen we hieruit niet concluderen dat AI intelligent is, maar vaak komt AI toch intelligent over.” Daar zijn volgens Gilhuijs een aantal redenen voor, waaronder emerging ability (waardoor AI antwoorden kan genereren afhankelijk van de context waarin de vraag gesteld wordt) en antropomorfisme (het toekennen van menselijke eigenschappen, emoties of intenties aan niet-menselijke entiteiten).
Een andere interessante vraag is: hoe leert AI? Dit kan op drie manieren, legde Gilhuijs uit. Ten eerste door middel van supervised learning, waarbij de machine leert van gelabelde data. Hier is supervisie voor nodig: iemand die inputlabels koppelt aan de gewenste outputlabels. Ten tweede kan AI leren door unsupervised learning, waarbij de machine zelf leert van ongelabelde data. Binnen de data zoekt de machine naar patronen, de output is vooraf niet bekend. Gilhuijs: “Een bekend voorbeeld van unsupervised learning binnen de borstkankerzorg is de MammaPrint.”6 Tot slot kan een machine leren door middel van reinforcement learning, waarbij de machine autonoom naar oplossingen zoekt door middel van trial-and-error. “De toepassingen van reinforcement learning binnen de beeldvormende oncologie zijn echter nog schaars”, aldus Gilhuijs.
Dokter, wat is het voor DCIS-weer?
Voordat borstkankerscreening geïmplementeerd werd, was DCIS een zeldzame ziekte, zei Jelle Wesseling (bijzonder hoogleraar Pathologie, Antoni van Leeuwenhoek en Leids Universitair Medisch Centrum, Leiden) in zijn presentatie over het ontwikkelen van een algoritme om overbehandeling van DCIS tegen te gaan. “Maar na implementatie van de screening is de incidentie van DCIS enorm toegenomen.7 Ongeveer 80% van DCIS is niet progressief en ongevaarlijk.8 Het is alleen op dit moment niet mogelijk om progressief van niet-progressief DCIS te onderscheiden. Daarom worden bijna alle vrouwen met DCIS behandeld.”
Wesseling richtte zich vervolgens op de vraag of deze overbehandeling verminderd kan worden door vrouwen op het niveau van screening beter te classificeren en afwijkingen te identificeren die geassocieerd zijn met progressieve DCIS. AI kan hier mogelijk bij helpen. “Maar DCIS is een afwijking met een laag risico en weinig events”, zei Wesseling. “En belangrijke inputwaarden voor prospectieve validatie van prognostische markers voor DCIS veranderen met de tijd.”
Dit maakte dat hij zich afvroeg of er in de manier waarop het weer voorspeld wordt, een mogelijke oplossing ligt voor het probleem rond de overbehandeling van DCIS. “De weersvoorspellingen worden ook gedaan aan de hand van veranderende inputwaarden. Voor DCIS zou dan een model ontwikkeld kunnen worden zonder voorafgaande training of prospectieve validatie waaraan nieuwe variabelen ‘on-the-fly’ toegevoegd kunnen worden.”
Naar analogie van het weerbericht kan dan worden getracht een risicovoorspelling van enkele jaren te geven. De basis voor dit project vormt de integratie van historische en real-worlddata. “En met behulp van explainable dynamic predictive modelling waarbij patiëntvoorkeuren, beeldvorming, pathologiedata, genomics, et cetera geïntegreerd worden, hopen we uiteindelijk de overbehandeling van vrouwen met DCIS te voorkomen, de kwaliteit van leven voor deze vrouwen te behouden en op maatschappelijke en zorggerelateerde kosten te besparen”, aldus Wesseling.
On demand terugkijken? Vraag een link aan via info@boogstudycenter.nl
Referenties
1. Van de Sande D, et al. Intensive Care Med 2021;47:750-60.
2. Lee P, et al. N Engl J Med 2023;388:1233-9.
3. Gilbert S, et al. Nat Med 2023;29:2396-8.
4. Turing AM. Mind 1950;236:433-60.
5. Jannai D, et al. ArXiv 2023; 10.48550/arXiv.2305.20010.
6. Van ’t Veer LJ, et al. Nature 2002;415:530-6.
7. Autier P, et al. BMJ 2017;359:j5224.
8. Ryser MD, et al. JNCI 2019;111:952-60.
Drs. Bianca Hagenaars, wetenschapsjournalist
DEEL DIT ARTIKEL:
