‘Ik ben een beetje klaar met de vraag hoe veilig AI is’

Promovendus Daan Geijs deed onderzoek naar de toepassing van artificiële intelligentie (AI) bij de diagnostisering van huidkanker. Volgens hem kan dit pathologen veel routinematig werk uit handen nemen, zodat ze meer afwisseling in hun werk krijgen. Geijs vindt AI noodzakelijk om de zorg in volle breedte veel efficiënter te maken. “In Nederland zijn we hiermee al heel goed op dreef.”

Daan Geijs vindt dat het hoog tijd is om vol in te zetten op AI-toepassingen in de zorg. “De zorg wordt duurder, de vergrijzing neemt toe, er is tekort aan personeel. Alle reden om waar mogelijk de zorg efficiënter te maken en personeel te ontlasten. Daarnaast is er een vorm van AI ontwikkeld – het zogeheten deep learning – waarmee zowel tekst als beeld kan worden verwerkt. We willen geen extra kosten in de zorg creëren. Als je met een deeplearning-model bijvoorbeeld de kans op succes van immuuntherapie kunt voorspellen, kun je de kosten naar beneden brengen.” 

Talentvolle belofte

Geijs studeerde vijf jaar geleden af als biomedisch technoloog aan de universiteit van Twente en rondde recent zijn promotieonderzoek bij het Radboudumc Nijmegen af. Daarin keek hij naar de toepassing van AI bij de diagnostisering van huidkanker. Hij verwacht in de loop van 2025 te promoveren. Per 1 december 2024 gaat Geijs aan de slag bij Kaiko, een Nederlands bedrijf dat AI-toepassingen voor de oncologie ontwikkelt, zogeheten ‘multimodal foundation models’. Geijs’ onderzoekstalent en ambitie werden ook opgemerkt door het Financieele Dagblad: in februari 2024 kreeg hij een vermelding in de top-50 van talentvolle beloften.

Basaalcelcarcinoom

Geijs onderzocht hoe deep learning kan worden ingezet bij mensen met huidkanker en dan specifiek gericht op de vraag of het een basaalcelcarcinoom is. “Dit is een relatief onschuldige vorm van kanker die vaak voorkomt in de Westerse wereld. Door deze hoge prevalentie zijn pathologen veel tijd kwijt aan het beoordelen óf de huidafwijking basaalcelcarcinoom betreft, want ze moeten in al deze gevallen het huidbiopt zelf beoordelen. Dit is tijdrovend én weinig uitdagend. Voor pathologen is het fijn als ze zich met afwisselender werk kunnen bezighouden.” 

“Cruciaal is dat je het model ook leert om nóóít een melanoom aan te merken als basaalcelcarcinoom”

Subtype

AI kan pathologen voor een groot deel ontheffen van dit routinematige werk, stelt Geijs. “Door een deeplearning-model te voeden met honderden, zo niet duizenden afbeeldingen van weefsel waarin zich een basaalcelcarcinoom bevindt, kun je het systeem leren om bepaalde patronen in een wirwar van cellen te herkennen. Zo kan het model in onbekend weefsel vaststellen of dit zo’n type huidcarcinoom bevat. Een volgende stap is om het systeem te leren welke subtype basaalcelcarcinoom het is en of dit met een grote of een kleine marge moet worden weggesneden. Een derde stap zou zijn om te beoordelen of het basaalcelcarcinoom voldoende aan de oppervlakte zit voor succesvolle behandeling met een crème. Cruciaal is dat je het model ook leert om nóóít een melanoom aan te merken als basaalcelcarcinoom. Dan mis je een ernstige diagnose.”

“Ik ben een beetje klaar met de vraag hoe veilig AI is”

Klinische praktijk

In zijn onderzoek constateert Geijs dat deze stappen technisch haalbaar zijn. De volgende fase is om de algoritmes die het deeplearning-model heeft ontwikkeld in te bedden in de klinische praktijk, zodat deze kunnen worden getest, stelt de onderzoeker. “Daaraan heb ik het laatste half jaar van mijn onderzoek gewerkt. Een promovendus die mij opvolgt, gaat daarmee verder. De bedoeling is dat dit uiteindelijk leidt tot een klinische trial, liefst multicenter.” Geijs proeft nog wel koudwatervrees bij clinici. “Ze vragen vaak of AI veilig is. De focus ligt enorm op fouten die AI nog kan maken. Maar hoeveel fouten maken mensen zelf? Ik ben een beetje klaar met de vraag hoe veilig AI is. Belangrijker is: wat levert het op? Ik denk dat het nu echt tijd is om de knelpunten in de zorg scherp te krijgen en te kijken waar AI een rol kan spelen.” 

Enorme datadichtheid

Om deep learning een boost te geven, zijn vooral heel veel data nodig, stelt Geijs. “We hebben in Nederland een enorme datadichtheid: ziekenhuizen beschikken over zeer veel digitale patiëntdata die lang niet altijd worden benut en ontsloten. Belangrijk is dat ziekenhuizen die data onderling gaan uitwisselen. In Nederland beschikken we over een prachtig glasvezelnetwerk waarmee dat snel kan gebeuren, diagnostiek wordt meestal digitaal opgeslagen en we hebben de expertise in ons land om AI-algoritmes te ontwikkelen. Om ons zorgprobleem op te lossen en écht impact te maken, hebben we complexere modellen en meer data van hoge kwaliteit nodig. We zijn goed op dreef en Nederland heeft het door die enorme datadichtheid in zich om koploper te zijn bij AI-toepassingen in de zorg. Laten we daarvoor gaan!”

Lees meer over: