Public cloud maakt snel opschalen mogelijk
Artsen hebben meer data dan ooit ter beschikking om een diagnose te stellen. Hoe kunnen zij op een schaalbare manier gebruikmaken van al die data? En hoe kunnen ze, gebruikmakend van AI en ML, ervoor zorgen dat het analyseren van al die data niet meer maar juist minder tijd kost? Een kijkje in de keuken bij radioloog Prof. Dr. Bram van Ginneken.
Van Ginneken werkt op de radiologieafdeling van het Radboudumc en is gespecialiseerd in hoe je technologie kunt gebruiken om medische beelden te analyseren. In 2007 zette hij binnen Radboudumc een platform op om algoritmen met elkaar te vergelijken en te delen. In 2012 was dit platform zover doorontwikkeld dat hij het wereldwijd toegankelijk maakte via grand-challenge.org. Onderzoekers en artsen kunnen op dit platform de door hen ontwikkelde algoritmen op een eerlijke manier testen. Dat wil zeggen: gebruikmakend van dezelfde testdata en dezelfde evaluatieprotocollen, waarbij wordt uitgegaan van de principes van FAIR data. Inmiddels telt dit platform 50.000 wereldwijde gebruikers, die met elkaar 233 challenges hebben opgezet. Een challenge draait om een specifieke taak die het algoritme uitvoert, zoals de detectie van een gebroken rib.
Onderzoekers en artsen die een algoritme hebben ontwikkeld kunnen meedoen aan een bestaande challenge. Wanneer er nog geen vergelijkbare algoritmen zijn, kunnen ze ook zelf een challenge toevoegen. Dit is een van de redenen waarom Van Ginneken koos voor een microservices architectuur. Ieder onderzoeksdomein is in deze architectuur een Docker container. Mensen die een domein willen toevoegen, worden administrator en krijgen alle tools in handen om zelf een Docker container op te zetten en te beheren.
Schaalbare infrastructuur
Vanwege het wereldwijde succes ontwikkelde het team bij Radboudumc het platform stap voor stap verder. “Wat in die eerste versie ontbrak, was een manier om ook de onderliggende data te zien”, zegt Van Ginneken. Zijn visie was: kunnen we grand-challenge.org zover doorontwikkelen dat artsen hun eigen imaging data kunnen uploaden en laten analyseren door een vrij te kiezen algoritme? “Daarvoor heb je een schaalbare infrastructuur nodig. Want als artsen van over de hele wereld images uploaden, is het geen doen meer om die allemaal te laten landen op de infrastructuur van ons ziekenhuis”, zegt Van Ginneken. Omdat Radboudumc al gebruikmaakte van de public cloud was de stap snel gezet om Amazon Web Services (AWS) bij dit project te betrekken.
Dit was het startschot om grand-challenge.org uit te breiden met nieuwe functionaliteiten: datacollectie, data-annotatie en reader studies. Dat zijn onderzoeken die laten zien hoe goed getrainde radiologen of pathologen presteren op een taak, zodat het algoritme goed te vergelijken is met de prestatie van mensen. Daarnaast ontwikkelde het team onder leiding van Van Ginneken functionaliteit om reeds ontwikkelde algoritmes te hergebruiken voor een andere taak – bijvoorbeeld het ontdekken van andere dan ribfracturen – en kant-en-klare producten. Met zo’n product hoeven artsen alleen nog maar hun image te uploaden om vervolgens de ML-analyse van dat beeld terug te krijgen.
Thorax-CT geautomatiseerd beoordelen
Het nieuwe platform was ternauwernood live toen COVID-19 uitbrak. De hele wereld zat te springen om informatie. De PCR-test was in het begin niet goed beschikbaar. Bovendien had ongeveer 20 procent van de patiënten het virus wel in de longen zitten, maar niet in de neus of keel. Die worden met een PCR-test gemist. Bovendien zegt de PCR-test niets over de aantasting van de longen. Om te zien welke patiënten aan de zuurstof moeten en wie er met spoed naar de IC moet, kan een thorax-CT een uitgebreider inzicht bieden.
De Nederlandse Vereniging voor Radiologie (NVvR) slaagde er in april 2020 wereldwijd als eerste in een CO-RADS assessment te ontwikkelen voor patiënten met een verdenking op COVID-19. CO-RADS is een systematische wijze om scans te classificeren. In het geval van de thorax-CT van COVID-patiënten wordt er voor elk van de vijf longkwabben een rating gemaakt op een schaal van 1 tot 5. De NVvR vroeg aan het team van Van Ginneken: kunnen jullie ons helpen om radiologen wereldwijd te trainen in het gebruik van deze methode? En kunnen jullie het door ons ontwikkelde algoritme trainen, zodat ook ziekenhuizen zonder de juiste expertise het algoritme kunnen gebruiken voor hun diagnostiek?
Radiologiewerkstation op iedere pc
Het team ontwikkelde op grand-challenge.org een omgeving waarin radiologen CT-scans kunnen uploaden. Ze kunnen er vervolgens doorheen lopen zoals ze op hun eigen werkstation ook doen. En ze kunnen in het CO-RADS-model de vijf longkwabben scoren. Op de achtergrond doet het algoritme ook een scoring, zodat de radioloog feedback krijgt op zijn prestaties. Van Ginneken: “Het is nog nooit eerder gelukt om wereldwijd zo snel zoveel radiologen te trainen in het diagnosticeren van een nieuwe ziekte.” Een prestatie waar uiteraard veel aandacht voor was in de medische journals. Het bezoek aan grand-challenge.org explodeerde. Van Ginneken: “Waar we voorheen slechts heel beperkt gebruikmaakten van de cloud, moesten we nu extreem opschalen. We hebben ervoor gekozen om alles in de AWS-cloud te zetten: de storage, de rekenkracht, de AI- en ML-algoritmen en de kant-en-klare applicaties.”
Hierdoor is het mogelijk dat artsen en onderzoekers wereldwijd medische beelden van ieder denkbaar formaat kunnen uploaden en analyseren op de manier zoals ze ook op het werkstation in hun eigen ziekenhuis gewend zijn. Ze kunnen hun eigen beoordeling vergelijken met die van het algoritme en het resultaat downloaden naar hun eigen computer. En dit alles met slechts beperkte latency en vanaf iedere werkplek met een internetverbinding. Handig omdat radiologen in veel landen veroordeeld waren tot thuiswerken.
Een resultaat om trots op te zijn. Van Ginneken: “COVID-19 heeft laten zien hoe belangrijk het is om wereldwijd algoritmen en werkmethoden te delen. Ons platform toont aan dat een microservices architectuur in de cloud hiervoor een uitstekend vehikel is.”