Tijs Samson - Jeroen Bosch Ziekenhuis
“Artificial intelligence (AI) will not replace radiologists, but radiologists who use AI will replace radiologists who don’t”, aldus Curtis P. Langlotz, MD, PhD, een key opinion leader op het gebied van radiologie. Een stevige uitspraak die aangeeft wat de potentie van dit wetenschapsgebied is binnen de radiologie. Binnen de zorg is dit vakgebied koploper in het inzetten van AI, waar AI kan worden omschreven als een tak binnen de computer science dat zich bezig houdt met het verwerven, reconstrueren, analyseren en/of interpreteren van medische beelden door het simuleren van intelligent menselijk gedrag in computers (1). Met name deep learning, een vorm van machine learning en onderdeel binnen AI, waar door middel van neurale netwerken intelligentie wordt gevormd door training in plaats van door programmering, is veel belovend. Zo zijn er verschillende voorbeelden van AI algoritmes die nu al gelijk of beter zijn in het detecteren van bepaalde afwijkingen, zoals noduli in de longen of vermoeden op een mammacarcinoom, dan specialisten met jarenlange ervaring (2).
Het Jeroen Bosch Ziekenhuis (JBZ) zet sterk in op AI als essentieel onderdeel van de toekomstige zorg. Het ziekenhuis is hierin de samenwerking aangegaan met de Diagnostic Image Analysis Group (DIAG) van het Radboudumc en de Jheronimus Academy of Data Science (JADS). Binnen het programma dat zich richt op AI in de radiologie zijn verschillende projecten gestart, elk met een andere fase van AI-ontwikkeling.
Naast data science expertise en specifieke hard- en software, is data essentieel voor de ontwikkeling van AI-modellen. Het JBZ heeft een schat aan medische data digitaal opgeslagen in verschillende systemen zoals het PACS voor radiologie beelden en het elektronisch patiëntendossier voor klinische gegevens. Het ontsluiten van grote hoeveelheden data uit deze verschillende bronnen en geschikt maken voor AI-ontwikkeling is niet vanzelfsprekend. Een proces en de benodigde infrastructuur om data beschikbaar te maken voor de projecten die reeds gestart waren binnen het AI-programma ontbraken. Dit heeft ertoe geleid een ontwerp te maken dat binnen een korte termijn gerealiseerd kon worden.
Middels een iteratief proces, waarbij het 5 lagen model van Nictiz de structuur heeft geboden voor de analyse en het ontwerp, is er binnen een jaar een ontwerp in productie genomen, zie figuur 1. Hiermee is het mogelijk gemaakt om zowel op kleine als op grote schaal medische beelden en overige klinische gegevens te ontsluiten en anonimiseren om zo geschikt te maken voor onderzoeksdoeleinden, waaronder AI-ontwikkeling. Door gebruik te maken van reeds beschikbare applicaties binnen het JBZ is de mogelijkheid gecreëerd om klinische gegevens, waaronder radiologische verslagen en beeld identificerende gegevens, eenvoudig te ontsluiten. Met de inzet van open source softwareapplicaties in combinatie met enkele ontwikkelde scripts, is het mogelijk geworden om geautomatiseerd medische beelden uit PACS-systemen te ontsluiten en beschikbaar te stellen.
![](https://assets.w3.tue.nl/w/fileadmin/_processed_/7/5/csm_AI_ontwerp_9764133738.png)
Het ontwerp is ingezet voor de dataverzameling van verschillende onderzoeken, waarbij is aangetoond dat datasets van een goede kwaliteit zijn om gebruikt te kunnen worden voor de ontwikkeling van AI-modellen met behulp van machine learning technieken.
Het JBZ heeft niet direct de ambitie om zelf algoritmes te ontwikkelen, maar door dit ontwerp gerealiseerd te hebben is het mogelijk de data onder gestelde voorwaarde in samenwerkingsverbanden beschikbaar te stellen aan onderzoekers. Middels het opgeleverde ontwerp is voldaan aan de wens om op korte termijn datasets beschikbaar te stellen voor de AI-projecten binnen de radiologie. Daarnaast zou, door de gemaakte ontwerpkeuzes, het ontwerp relatief eenvoudig in andere ziekenhuizen ingezet kunnen worden.
Het ontwerp voorziet in een waardevolle oplossing die ingezet zal worden zolang er nog geen structurele en geïntegreerde oplossing voorhanden is. De tijdelijke aard van de oplossing rechtvaardigt de inzet van open source software, waar enkele nadelen aan kleven op het gebied van beheer. Voor de langere termijn, waarbij de verwachting is dat er meer projecten gaan starten waar grote radiologie datasets benodigd zijn, zal er gezocht worden naar een meer toekomstbestendige oplossing. Gezien de aandacht voor AI-ontwikkeling binnen de radiologie is integratie van dergelijke functionaliteiten door PACS-leveranciers goed denkbaar.