Toch eerst even meegeven: in tegenstelling tot heel vaak bij dit soort experimenten gaat het, ten eerste, niet om een gevulgariseerde slogan en/of een spectaculaire verpakking, gericht op het genereren van fondsen en/of belangstelling.
Het onderzoek gaat, ten tweede, ook niet uit van een obscuur onderzoeksinstituut waarvan de ronkende naam de expertise ver overtreft. Het vindt plaats onder de vleugels van o.m. de medische faculteit van het Londense King’s College, en drie ziekenhuizen die ressorteren onder deze eeuwenoude en wereldvermaarde universiteit werken eraan mee.
En ten derde: het gaat niet om een kleinschalig onderzoek met pakweg drie fruitvliegjes en twee witte muizen waarvan één aspectje geëxtrapoleerd wordt tot clickbait. De voorstudie verscheen in het vakblad Radiology en het verhaal doorstond de toets van de factcheckers van The Times.
Triëren en detecteren
De centrale vraag is: hoe kan Kunstmatige Intelligentie ons helpen efficiënter en sneller levensbedreigende gezondheidsproblemen te detecteren? Van tumoren tot een vergroot hart en het risico op een klaplong. Radiografisch onderzoek reikt daarvoor inderdaad de sleutels aan, maar er is in Groot-Brittannië een probleem om er op het juiste moment de juiste deur mee te openen.
In 2016 en 2017 samen werden er in totaal meer dan 42 miljoen radiografieën, MTI’s, CT’s en andere scans uitgevoerd. Alleen al in instellingen die onder het openbare gezondheidszorgstelsel National Health Service (NHS) vallen. Privé-ziekenhuizen niet inbegrepen, dus. Gevolg en probleem: de ogen van de Britse radiologen schieten niet te kort, ze komen letterlijk ogen tekort. Dat bleek verpletterend duidelijk uit een rondvraag van het overkoepelende Royal College of Radiologists. Niet minder dan 97% van de radiografie-afdelingen in de NHS-ziekenhuizen gaven aan dat het hen niet lukte het vereiste verwerkingstempo te halen.
Met alle risico’s vandien op achterstand en voor de juiste prioriteitsverlening. ‘Op dit moment’, stelt onderzoeker Giovanni Montana (Warwick University) in The Times, ‘zijn er geen systematische en geautomatiseerde procedés om een stapel radiografieën van borst en longen meteen zo te triëren dat de meest dringende gevallen automatisch bovenaan komen.’
Vanuit die vaststelling werd een experimenteel A.I.-systeem losgelaten op een half miljoen bestaande radiografieën, uitgevoerd bij patiënten met ernstige aandoeningen. Qua verwerkingssnelheid alvast een succes: ‘Radiologen bleken gemiddeld elf dagen later het probleem vast te stellen, ons systeem pikte het er na drie dagen uit.’
94% correct
Een andere voorstudie, met 16.000 bestaande dossiers, wees uit dat 94% van de gevallen die door het A.I.-systeem als ‘dringend’ werden aangemerkt, dat inderdaad ook waren. Professor biostatistiek, bio-informatica en data science Motana: ‘Niet perfect, maar waarschijnlijk even goed als een zeer goede radioloog. En zeker sneller, dus.’
In een volgende fase wordt het experiment verdiept én verbreed. Zowel snelheid als accuraatheid zullen nog eens getoetst worden op basis van 1 miljoen dossiers. Met als bijkomend onderzoekelement een preventief aspect dat noodgedwongen ondergesneeuwd geraakt bij de manuele verwerking: kan het A.I.-systeem meteen ook kleinere signalen detecteren die op een later groot probleem wijzen?
De verwachtingen zijn groot genoeg voor een aantal ziekenhuizen om alvast de eerste voorbereidingen te treffen om het systeem in de praktijk te gaan gebruiken.
Schrijf je in op onze nieuwsbrief
En blijf op de hoogte van de laatste inzichten in wetenschap en technologie.