Een pitbull waakt voor het laaghangend fruit

– 5 minuten leestijd –


Max is als onderzoeker en ondernemer een internationale autoriteit op het gebied van kunstmatige intelligentie en machine learning. Met zijn bedrijf Scyfer brengt hij kunstmatige intelligentie naar de industrie en de zorg. Hij vertelt hoe big data analytics de zorg kan veranderen, met algoritmes die diagnoses stellen of therapieën aanraden.


Elk jaar sterven er wereldwijd meer dan een miljoen mensen door auto-ongelukken. Een zelfrijdende auto zou het aantal slachtoffers kunnen decimeren. De technologie om zo’n zelfrijdende auto de straat op te krijgen is echter verre van triviaal: het representeert de “bleeding edge” van wat er nu mogelijk is in de kunstmatige intelligentie (AI). Ik noem dit het hooghangende fruit van de AI.

“De zelfrijdende auto is het hooghangend fruit van de kunstmatige intelligentie.”

Ook binnen de medische wereld wordt er veel verwacht van de laatste ontwikkelingen in de AI. En ook hier hangt er een boel fruit hoog in de boom. Denk hierbij bijvoorbeeld aan de automatische analyse van medische beelden (bijvoorbeeld MRI, CT of PET scans). Het is aangetoond[1] dat bepaalde analysen van zogenaamde histologie foto’s (gekleurde stukjes weefsel waar de individuele cellen zichtbaar zijn) al beter gedaan kan worden door een computeralgoritme dan door een mens. Als tweede voorbeeld noem ik de analyse van ons DNA. Er wordt steeds meer duidelijk over de relatie tussen mutaties in het DNA en erfelijke ziekten. Als laatste voorbeeld noem ik  het ontsluiten van de enorme hoeveelheid medische kennis die opgeslagen ligt in medische publicaties en andere (tekst) documenten (denk hierbij aan IBM Watson).

“Maar het medische fruit hangt niet alleen hoog in de boom. In tegenstelling tot de zelfrijdende auto, ligt in de medische wereld het fruit zo ongeveer op de grond.”

Maar het medische fruit hangt niet alleen hoog in de boom. In tegenstelling tot de zelfrijdende auto, ligt in de medische wereld het fruit zo ongeveer op de grond. Beschouw bijvoorbeeld eens de volgende statistieken. Voor de helft van alle medische procedures is geen wetenschappelijk bewijs[2]. En medische fouten zijn de op twee na grootste doodsoorzaak in de VS[3]. Er lijkt dus nog heel wat ruimte voor verbetering. Bedenk daarbij dat doktoren maar heel weinig tijd per patiënt hebben. Een cardioloog in de VS vertelde me dat hij ongeveer 15 minuten per patiënt heeft waarvan 5 minuten om een ingewikkeld echo-cardiogram te bestuderen. Zijn inschatting was dat bij de helft van de gevallen belangrijke signalen worden gemist. Doktoren worden bovendien moe en hebben gewoon niet de tijd om alle literatuur op hun vakgebied bij te houden. Daarbij is een mens vaak niet in staat om subtiele patronen te zien in grote complexe datastromen. Bij het diagnosticeren van Alzheimer weet een arts dat hij/zij naar de grootte van de hippocampus moet kijken. Maar er zijn ook veel ingewikkelder en subtielere signalen in een MRI-scan van het brein die bij elkaar opgeteld voorspellend kunnen zijn voor de ziekte. Dat moderne AI-systemen dit wel kunnen, zagen we prachtig geïllustreerd toen Google’s AlphaGO via een briljante en volledig onverwachte zet de regerend wereldkampioen Lee Sedol van zijn stuk bracht. Blijkbaar had de computer een patroon gezien dat voor het menselijk oog erg moeilijk was waar te nemen.

“Wat de medische wereld zo’n ongelofelijk vruchtbaar toepassingsgebied maakt voor de AI zijn de enorme hoeveelheden data die er worden verzameld.”

Wat de medische wereld zo’n ongelofelijk vruchtbaar toepassingsgebied maakt voor de AI, zijn de enorme hoeveelheden data die er worden verzameld. Neem nu alleen al alle bloedonderzoeken die er gedaan worden in de ziekenhuizen in Nederland. Een aantal dozijn bloedwaarden per onderzoek plus de uiteindelijke diagnose voor honderdduizenden onderzoeken levert een goudmijn op aan data. Ik voorspel dat met zo’n dataset een algoritme kan worden ontwikkeld dat subtiele patronen herkent en koppelt aan mogelijke diagnosen. Zeker in het geval van zeldzame ziekten of ziekten die buiten het kennisgebied van de behandelend arts vallen kan dit een grote verbetering teweeg brengen in de praktijk.

“Moderne privacywetgeving zorgt ervoor dat deze data heel slecht toegankelijk is voor de onderzoeker.”

Maar ironisch genoeg is data nu juist ook de achilleshiel in de gezondheidszorg. Moderne privacywetgeving zorgt ervoor dat deze data heel slecht toegankelijk is voor de onderzoeker. Het fruit ligt dus op de grond, maar er staat een pitbull voor te waken. Nieuwe technologie die deze data kan ontsluiten op een manier die de privacy van individuen waarborgt, wordt nu ontwikkeld en gaat waarschijnlijk een belangrijke schakel worden in de revolutie die ons te wachten staat in de medische sector.

“Wat is er voor nodig om een dokter ook daadwerkelijk met een slim algoritme te laten samenwerken?”

Een ander belangrijk obstakel is het integreren van slimme algoritmen in de workflow van de dokter. Wat is er voor nodig om een dokter ook daadwerkelijk met een slim algoritme te laten samenwerken? Als een algoritme Alzheimer diagnosticeert door een patroon te herkennen dat zo complex is dat het een mensenbrein te boven gaat, onder welke voorwaarden zal de dokter deze diagnose dan aanvaarden? Ik denk dat er nog heel veel werk moet worden verzet om complexe redeneringen van computers inzichtelijk te maken voor de mens. Dit kan door het visualiseren van een diagnose (bijvoorbeeld: welke gebieden in het brein zijn aan verandering onderhevig) of door de achterliggende redeneringen van de diagnose zo goed mogelijk in begrijpbare taal uit te leggen.

“De sleutel voor het verbeteren van de gezondheidszorg ligt hem in het ontsluiten en het standaardiseren van de data.”

De sleutel voor het verbeteren van de gezondheidszorg ligt hem in het ontsluiten en het standaardiseren van de data. Als we het voor elkaar krijgen om medische data goed te organiseren en beschikbaar te stellen voor analyse op een manier die rekening houdt met de privacy van mensen, en als we de uitkomst van de analyse weer goed kunnen communiceren naar doktoren dan zie ik een revolutie in de medische wereld voor me. En ja, dit gaat zeker mensenlevens redden. Wellicht is een onderdeel van deze omschakeling ook dat de dokter een beetje meer een “data-scientist” wordt. Dat zal hem/haar beter voorbereiden op een toekomst waar mens en machine innig zullen moeten samenwerken.

[1] http://people.idsia.ch/~juergen/deeplearningwinsMICCAIgrandchallenge.html
[2] https://www.washingtonpost.com/news/wonk/wp/2013/01/24/surprise-we-dont-know-if-half-our-medical-treatments-work/
[3] http://www.bmj.com/content/353/bmj.i2139


In aanloop naar het Zorgtech-event op 15 september 2016 deelt NRC Live iedere week één of meerdere (opinie)stukken van onze sprekers. Lees hier alle opiniestukken terug.

button_bekijk_programma_1

 

Blijf op de hoogte!

Blijf op de hoogte!

Wil je op de hoogte blijven van toekomstige NRC Live events? Schrijf je dan in voor onze nieuwsbrief!

Suggesties voor een spreker?

Suggesties voor een spreker?

Ken jij iemand die goed zou kunnen spreken op een van onze events? Stel dan een spreker aan ons voor!