Het duurt vaak erg lang voordat patiënten die lijden aan een zeldzame ziekte erachter komen wat hen mankeert. Een nieuwe ‘slimme’ zoekmachine zorgt voor een betere en snellere diagnose.

Met hulp van kunstmatige intelligentie werkt de zoekmachine grote databases door met medische scan-afbeeldingen. Daardoor worden niet alleen ziekten sneller opgespoord, door een eerdere start van de behandeling is ook de prognose beter.

De onderzoekers van het Amerikaanse Brigham and Women’s Hospital in Boston spreken van een deep learning-algoritme dat continu beter wordt in het herkennen van ziektebeelden door medische databases door te ploegen en te vergelijken met de medische afbeeldingen van mogelijke nieuwe patiënten.

Zelflerende databasescanner
Dit nieuwe zelflerende algoritme, dat SISH (Self-Supervised Image Search for Histology) is genoemd, wordt op het moment getest en heeft heel veel potentie. SISH kan niet alleen helpen bij het opsporen van zeldzame ziektes, maar ook verschillende behandelmethodes aanbevelen en de effectiviteit en bijwerkingen ervan afwegen. “Ons systeem heeft de potentie om artsen te assisteren en te trainen in het beter opsporen van ziektes en subtypen van ziektes. Ook het identificeren van tumoren en zeldzame aandoeningen kan sterk verbeteren met behulp van de software”, zegt hoofdauteur Faisal Mahmood.

Schaalbaarheid
Moderne elektronische databases kunnen een enorme hoeveelheid digitale dossiergegevens en medische scans opslaan. Dit gebeurt voornamelijk met Whole Slide Images (WSI’s). Een WSI is echter erg gedetailleerd en kost dus veel opslagruimte. Dit maakt de verwerking en opslag van deze beeldbestanden lastig. Een dergelijke database wordt al snel log en traag door het toenemende aantal afbeeldingen, waardoor het zoeken en ophalen tijdrovend en inefficiënt wordt. Het team zette zijn tanden in dit schaalbaarheidsprobleem en kwam met het zelflerende AI-programma SISH, dat patronen en kenmerken herkent in dit soort medische databases vol beeldmateriaal en andere medische data, ongeacht de grootte van de database.

Waardevol gereedschap
In de studie zijn de WSI-data van zo’n 22.000 patiëntendossiers met meer dan vijftig verschillende aandoeningen – veel voorkomende en zeldzame vormen van kanker – op verschillende plekken in het menselijk lichaam gebruikt. Het algoritme haalde snel en nauwkeurig de bij elkaar passende afbeeldingen op uit de database. De zelflerende zoekmachine presteerde in veel scenario’s sneller en beter dan gangbare diagnosemethodes. Ook bij het vergroten van de databases bleef SISH in staat om zijn constante zoeksnelheid aan te houden.

Er valt nog flink wat te schaven aan de capaciteiten van de slimme medische zoekmachine, maar de onderzoekers zijn op de goede weg. Het algoritme heeft een computer nodig met heel veel geheugen om goed te kunnen draaien en geeft soms onlogische adviezen door zijn beperkte gevoel voor context. Maar als assistent van de medisch specialist, die continu met nieuwe associaties en mogelijke diagnoses op de proppen komt, is het een enorm waardevol gereedschap in de behandelkamer.

Inzoomen
Hoe groot of klein de medische database ook is, waar de zelflerende zoekmachine zijn licht over mag laten schijnen, hij toont aan van onschatbare waarde te zijn in de opsporing van ongebruikelijke aandoeningen. Het algoritme gaat uiterst efficiënt om met de hoeveelheid afbeeldingen en andere medische data in diverse datasets. Ook het vermogen om in te zoomen op een bepaald deel van een afbeelding en daar de symptomen van een bepaalde ziekte in te herkennen, is bijzonder belangrijk. Dit werk kan zoals gezegd een belangrijke positieve bijdrage leveren aan de toekomstige diagnose, prognose en analyse bij tal van ziekten.

“Aangezien de omvang van dit soort beelddatabases blijft groeien, hopen we dat SISH in de toekomst erg nuttig gaat zijn bij het opsporen van ziekten en met zijn slimme algoritmes de diagnose makkelijker, sneller en patiëntvriendelijker te maken”, zegt Mahmood. “Wij zijn ervan overtuigd dat ziektes steeds vaker worden opgespoord met behulp van een gecombineerde aanpak. Het combineren van pathologie, radiologie, genetica en elektronische medische dossiergegevens in de zoektocht naar vergelijkbare ziektegevallen is de toekomst.”