De patholoog van de toekomst is een computer

Betere diagnose met machine learning

 

Waarom turen pathologen door een microscoop naar een biopt of druppel bloed om vervolgens in een tekstverslag vast te leggen wat ze zien, terwijl een computer middels patroonherkenning veel preciezer kan tellen hoeveel cellen afwijkend zijn? Waarom zou je een radioloog visueel een MRI-scan laten beoordelen als een computer dat veel nauwkeuriger en sneller kan? De toekomst is digitaal. Lang leek de noodzaak tot hoge investeringen die toekomst enigszins in de weg te staan, maar de Yale School of Medicine laat zien dat je met 2 FTE en een open source platform een heel eind kunt komen.

 

Artificial Intelligence (AI) neemt een vlucht. Onderzoek van HIMMS Analytics onder Amerikaanse ziekenhuizen laat zien dat meer dan 50 procent van hen verwacht binnen vijf jaar met AI aan de slag te gaan, 35 procent denkt zelfs de komende twee jaar al te starten. Ook in Nederland staan steeds meer ziekenhuizen positief tegenover deze ontwikkeling. Radboudumc en UMC Utrecht investeren bijvoorbeeld in digitale pathologie. Wade Schulz van de Yale School of Medicine vertelde tijdens de Dataworks Summit in München welke stappen het laboratorium van Yale Medicine zet om diagnostiek te versnellen en verbeteren.

 

Beperkte financiële middelen

Financiën zijn altijd een probleem in de zorg, ook in Amerika. Daarom heeft de Yale School of Medicine zijn licht opgestoken in de Apache gemeenschap en het ecosysteem rondom Hadoop onderzocht. De medische faculteit bouwde met twee mensen op basis van Hortonworks Data Flow en NiFi een data science platform dat ze initieel inzetten voor Complete Blood Count (CDC), een vorm van bloedonderzoek. Schulz laat vijf verschillende microscopische beelden zien van patiënten met verschillende aandoeningen. In de bijbehorende tekstverslagen die de patholoog maakt staan termen als ‘een verlaagd aantal’ of ‘een afwijkende vorm’. Schulz: “Natuurlijk zijn pathologen getraind om patronen te herkennen en te beschrijven, maar een mens kan dit nooit zo goed als een computer. Zeker niet als je die computer middels deep learning technologie traint in het herkennen van allerlei ziektes en afwijkingen. Je kunt op die manier een veel nauwkeuriger diagnose stellen.”

In een testopstelling lukte dat met een eerste AI-model al snel bij CDC. “En dat model is nog niet eens heel goed getraind”,  weet Schulz. “Hoe meer bloedsamples we analyseren en de resultaten teruggeven, hoe beter het model zal gaan presteren.”

Op dit moment neemt Yale School of Medicine stappen om middels klinische testen op een FDA-proof-wijze aan te tonen dat de computer de mens verslaat als het gaat om het stellen van een diagnose. Een traject dat lang zal duren, weet Schulz, maar dat vindt hij niet nu nog niet zo erg. “Ons doel is op dit moment niet om pathologen overbodig te maken. Ons doel is om de kans te verkleinen dat een patholoog iets mist. AI is momenteel een hulpmiddel, geen vervanging. Natuurlijk zal op termijn de computer ook het oordeel mogen vellen, daar ben ik van overtuigd. Maar wij willen niet wachten op die toekomst, we willen nu al iets doen om de kwaliteit van onze diagnoses te verbeteren. En het mooie is dat we laten zien dat dat ook kan, zelfs met weinig mankracht en zeer beperkte financiële middelen.”

 

Diverse use cases

Het data science platform wordt nu behalve voor CDC nu ook voor andere typen bloedonderzoek ingezet. Het algoritme wordt getraind om steeds meer ziektebeelden te herkennen. Ondertussen wordt het platform ook gevoed met nieuwe databronnen, te beginnen met de radiologiebeelden van de afdeling neonatologie. Schulz: “Een MRI-beeld vraagt veel meer opslagcapaciteit dan een bloedsample. Bij bloedonderzoek hebben we aangetoond dat er een businesscase is: we kunnen gewoon sneller een betere diagnose stellen tegen zeer beperkte meerkosten. Bij radiologie moeten we die businesscase nog hard maken, vooral omdat je heel veel meer data zult moeten opslaan en analyseren, dus de kosten zijn hoger. Het zal ook langer duren om het algoritme te trainen omdat er meer variaties zijn. Vandaar dat we beginnen bij een mooi afgebakende groep.”

Data die minder opslagcapaciteit vragen en waarbij de analyses eenvoudiger zijn, zijn de patiënt monitoring devices. “Nu genereert ieder systeem zijn eigen data en die data worden afzonderlijk van elkaar beoordeeld door een arts”, vertelt Schulz. “Natuurlijk brengt die zaken als hartslag, bloeddruk en temperatuur wel met elkaar in verband, maar ook hiervoor geldt dat een computer veel beter is in het ontdekken van patronen en dus eerder het signaal herkent dat een patiënt achteruit gaat.” Yale begint met de monitoringapparatuur in het ziekenhuis. “Al willen we dat op termijn natuurlijk heel graag uitbreiden met data die patiënten thuis vastleggen, in eerste instantie met apparatuur die ze van ons hebben meegekregen en later ook met hun eigen devices.”

De laatste use case waar het team aan werkt is het analyseren van de eigen workflow, zodat labresultaten nog sneller beschikbaar kunnen worden gesteld. Volgens Schulz krijgen alle labonderzoeken van de spoedeisende hulp op dit moment voorrang. “Maar die workflow verstoort andere workflows regelmatig. We weten vrij nauwkeurig hoeveel tijd we nodig hebben voor een bepaald onderzoek en willen nu onze planning continu real-time aanpassen aan de hoeveelheid labtesten die we voor de spoedeisende hulp moeten doen. Want het mag natuurlijk niet zo zijn dat een ander onderzoek dat ook spoed heeft per ongeluk langer blijft liggen dan strikt noodzakelijk.”

 

Push vanuit overheid

Over de snelheid waarmee er een FDA-goedkeuring komt om bepaalde labonderzoeken door computers te laten uitvoeren in plaats van mensen, is Schulz positief gestemd. “Er is een sterke push vanuit de Amerikaanse regering, althans dat was zo onder Obama. Het Precision Medicine Initiative en Cancer Moonshot zijn twee landelijke programma’s die beide vragen om de toepassing van deep learning. Ik vind het daarom van belang dat academische ziekenhuizen niet afwachten maar nu al starten met de bouw van een machine learning platform en ervaring opdoen. Zoals gezegd, dat kan met beperkte middelen en menselijke capaciteit.”

 

Inspiratie opdoen en in contact komen met Wade Schulz en anderen die ervaring hebben met AI? Sluit je aan bij het Hortonworks Precision Medicine Consortium. Meer informatie is verkrijgbaar bij Vishal Dhanuka: vdhanuka@hortonworks.com

Gerelateerde berichten...