Koen Eppenhof. Foto | Bart van Overbeeke

Sluitstuk | Preciezer opereren met kunstmatige intelligentie

Het feit dat mensen nooit helemaal stil kunnen liggen, maakt opereren aan de hand van een MRI- of CT-scan een stuk lastiger. Promovendus Koen Eppenhof liet zien dat een algoritme op basis van deep learning kan worden gebruikt om die onvermijdelijke bewegingen te corrigeren.

Om zo nauwkeurig mogelijk te kunnen opereren of bestralen, wordt vooraf door de arts het te behandelen gebied op een scan (MRI of CT) ingetekend. Dat gebiedje - bijvoorbeeld de locatie van een tumor - wordt vervolgens op de operatietafel gelokaliseerd met een nieuwe scan. Dat is niet eenvoudig: de positie van de patiënt is namelijk nooit exact hetzelfde op beide scans - nog even afgezien van de onvermijdelijke beweging en vervorming van organen door de ademhaling. Er is daarom zelfs een compleet vakgebied, medische beeldregistratie, dat zich wijdt aan dit probleem en dat wordt beoefend binnen de groep Medical Image Analyis van de faculteit Biomedische Technologie.

Volgens promovendus Koen Eppenhof van Medical Image Analysis bestaat er al wel slimme software die de arts in staat stelt de match te maken tussen het in een eerder stadium zorgvuldig geanalyseerde beeld en de persoon in de scanner. “Maar dat kost de computer wel nog minimaal een aantal minuten aan rekentijd, terwijl je het liefst beide scans real-time aan elkaar zou willen kunnen relateren.”

Toen hij een kleine vijf jaar geleden aan zijn promotie begon, kwam net het principe van deep learning op, een vorm van kunstmatige intelligentie waarmee deze klus veel sneller geklaard zou kunnen worden. Volgens de promovendus lijkt die belofte inderdaad ingelost te worden. “In het begin was ik op conferenties een van de weinigen die zich met deep learning bezighield, terwijl nu vrijwel iedereen in de medische beeldanalyse het gebruikt.”

Spelcomputers

De uitdaging is in feite om elk pixel van het originele beeld te koppelen aan het overeenkomstige pixel in de nieuwe scan, vertelt Eppenhof. Daarvoor ‘trainde’ hij een zogeheten diep neuraal netwerk, draaiend op Graphics Processing Units (GPU’s) - vergelijkbaar met de processors in spelcomputers. “Onze groep heeft hiervan een cluster staan in een gekoelde ruimte op de High Tech Campus, waarop we kunnen inloggen.”

Zo’n neuraal netwerk van GPU’s leert zichzelf als het ware hoe het zijn taak moet uitvoeren aan de hand van duizenden voorbeelden. Het probleem is echter dat er onvoldoende trainingsmateriaal beschikbaar is. Neem het probleem van longfoto’s: er zijn simpelweg te weinig sets ‘geregistreerde’ beelden van longen in verschillende stadia van in- en uitademing. Eppenhof koos er daarom voor om een bestaande afbeelding kunstmatig op talloze verschillende manieren te vervormen, en daarmee het neurale netwerk te voeden. “Vervolgens heb ik het getrainde netwerk losgelaten op een set van enkele tientallen echte CT-scans, die door meerdere experts zijn geregistreerd op basis van honderden anatomische herkenningspunten, zoals de plekken waar bloedvaten splitsen of elkaar kruisen.”

Prostaatkanker

Eppenhofs getrainde netwerk bleek bijna net zo goed te presteren als de individuele experts. “Daarmee is dus aangetoond dat je diepe neurale netwerken kunt trainen met gesimuleerde data, in plaats van met echte medische beelden. Het werkt eigenlijk verbazingwekkend goed, en dat is denk ik het belangrijkste resultaat van mijn onderzoek.” Ook bleek zijn neurale netwerk in staat om de beelden binnen een seconde te analyseren - geen geringe verbetering vergeleken met de minuten die de rekenmethoden die momenteel worden gebruikt in het ziekenhuis, nodig hebben.

Dat maakt zijn werk interessant voor het UMC Utrecht, waar ze nu prostaatkankerpatiënten bestralen ín een MRI-scanner, zodat direct voorafgaand aan de bestraling de exacte locatie van de prostaat kan worden bepaald. “Tijdens de bestraling beweegt de prostaat echter ook nog langzaam; die wordt namelijk weggedrukt doordat de blaas zich met urine vult. Mijn methode is in principe snel genoeg om die beweging te volgen.”

Of zijn versie van deep learning ook daadwerkelijk op korte termijn zijn weg naar het ziekenhuis zal vinden, is nog de vraag. Hoe het neurale netwerk precies werkt, is namelijk onduidelijk - een nadeel waarmee veel kunstmatige intelligentie kampt. Het is een black box, en daardoor lastig te beoordelen door de autoriteiten die verantwoordelijk zijn voor de veiligheid, legt Eppenhof uit. “Sowieso zullen dit soort technieken nooit volautomatisch worden ingezet. Er moet altijd een mens zijn die meekijkt om te zien of de computer niet volledig de mist ingaat.”

Deel dit artikel via je socials