Van brein tot brein: AI in de gezondheidszorg

Intelligentie: meer dan informatie opslaan

De AI van nu is niet dezelfde als die van zeventig jaar geleden. Toen waren zo’n computersystemen gewoon handig omdat ze meer informatie konden bijhouden dan het gemiddelde menselijke brein. Eén groot nadeel: alle kennis die het systeem had, moest vooraf expliciet door een mens ingegeven worden. Echt ‘intelligent’ kan je zo’n systeem dus niet noemen. Wat wetenschappers echt verlangden, was AI die zelf dingen kon bijleren en nieuwe kennis verzamelen.

Leren is proberen

Eén van die zelflerende systemen – deep learning – kende vanaf 2012 een ware opmars. Het leuke aan deep learning is dat de architectuur van het algoritme gebaseerd is op dat van het menselijke brein. Dat leentjebuur spelen bij de hersenen is best slim gezien, want het brein is nu net het toonbeeld van een zelflerend systeem. Soms moet je ook niet té origineel willen zijn.

Deep learning kan, net zoals het brein, gezien worden als een groot netwerk met lagen neuronen die onderling verbonden zijn. Beeld je in dat we dat netwerk een hele reeks foto’s van katten en honden voorschotelen. Hoe kan deep learning dan het ene dier van het andere leren onderscheiden? Een mogelijke werkwijze zou zijn om in de eerste laag van het netwerk de pixels van de foto’s in te lezen. Elk puntje van de foto stelt dan een waarde voor tussen ‘0’ (zwart) en ‘1’ (wit). In elke volgende laag wordt informatie van de vorige lagen samengevoegd. Zo kunnen er in de tweede laag grotere structuren herkend worden die bestaan uit meerdere pixels, zoals hoeken en randen. Zo gaat het steeds verder. Veel hoeken en randen kunnen in de derde laag een vierkant vormen, en vierkanten kunnen dan op hun beurt weer gecombineerd worden tot nog grotere, complexere structuren.

Deze structuren staan in het vakjargon ook wel bekend als features. Een essentiële stap is het vinden van features die enkel bij één soort dieren voorkomen, zodat het netwerk op basis van die features een classificatie kan maken. Is de classificatie mis, dan moet het de zoektocht naar de juiste feature(s) herbeginnen. Net als een peuter die leert fietsen, is het eerst heel veel trial and error tot er uiteindelijk een juist antwoord wordt gevonden.

De strijd tegen alzheimer

In een almaar vergrijzende wereld oefent de ziekte van Alzheimer een grote druk uit op het gezondheidsstelsel. Preventie in dit domein is heel erg belangrijk, want tijdige opsporing van de ziekte kan helpen om de behandeling sneller aan te vatten en de progressie van de ziekte af te remmen. In de vroege ontwikkelingsfase van alzheimer ondergaan de hersenen subtiele veranderingen, zoals het opstapelen van bepaalde eiwitten. Die veroorzaken in dit stadium (nog) geen merkbare symptomen, maar kunnen wel opgemerkt worden in een hersenscan. Het grote probleem nu is dat we niet helemaal weten wat de verschillen precies zijn tussen een hersenscan van een gezond brein, en dat van een aangetast brein, wat vroegtijdige diagnose heel erg moeilijk maakt. Gelukkig biedt deep learning hier een uitweg. Door enorm complexe features samen te stellen kan het netwerk ingewikkelde patronen en subtiele verschillen in hersenscans opmerken die zo gedetailleerd zijn dat ze zelfs aan het opgeleide oog van een dokter voorbij zouden kunnen gaan. Eens het netwerk die patronen kent, kan het ook patiënten waarvan de diagnose onbekend is, classificeren.

Niet alleen maar rozengeur en maneschijn

Wat die features precies zouden kunnen zijn, is vaak een groot mysterie. En dat toont meteen een groot probleem met deep learning aan: een gebrek aan transparantie. Als niet duidelijk is welke features gebruikt worden om een onderscheid te maken tussen gezonde en aangetaste breinen, kunnen dokters daar weinig uit leren. Anderzijds is er ook heel veel kwalitatieve data nodig. Een eenvoudig voorbeeld: als er in elke foto met een kat toevallig een waterflesje in beeld staat, dan bestaat de mogelijkheid dat het netwerk zichzelf gewoon aanleert dat elk dier in de nabijheid van een waterfles een kat is. In dit geval is de waterfles dus de beslissende feature, wat totaal verkeerd is. Er moet dus opgepast worden met welk soort data zo’n systeem wordt aangereikt.

Toekomstperspectieven

Het heeft iets wonderlijks: een computersysteem dat gebaseerd is op de werking van het brein gebruiken om de geheimen van het brein te ontrafelen. Maar uiteraard is de strijd tegen alzheimer nog niet gestreden. Deep learning staan nog maar in zijn kinderschoenen, en er is nog heel veel ruimte voor verbetering voor het routineus in het ziekenhuis gebruikt kan worden. Desalniettemin worden in studies vaak enorm hoge accuraatheden gerapporteerd, tot zelfs 98 procent¹. Deze hoge cijfers onderstrepen de enorme mogelijkheid die AI biedt om de gezondheidszorg van morgen te transformeren.

Noten

1. Jo et al., Deep Learning in Alzheimer’s Disease: Diagnostic Classification and Prognostic Classification Using Neuroimaging Data, frontiers in Aging Neuroscience, 2019.