
Detecteren van afwijkingen op mri-scans
Opdrachtgever: UMC Utecht


De vraag
In plaats van een los model voor ieder type afwijking, is er gekozen voor een model dat kan worden ingezet voor diverse afwijkingen. Voor het ontwikkelen van dit model hebben we onderzoek gedaan binnen het zogenaamde Imagr -project, dat binnen het UMC Utrecht onder ADAM (Applied Data Analytics in Medicine) valt. Dit betekent dat dit data science-project als doel heeft om uiteindelijk in de kliniek te worden geïmplementeerd.
Imagr is een initiatief vanuit de afdeling Radiologie om AI-algoritmes real time toe te passen op het beeldmateriaal (o.a. MRI, CT) dat gegenereerd wordt in de kliniek. Het project is tweeledig: aan de ene kant wordt er een back-end en front-end ontworpen die de beelden van een patiënt uit de database ophaalt (PACS). Vervolgens kunnen er één of meerdere AIalgoritme(s) op gedraaid worden en worden de resultaten weergegeven in een tool die gelijktijdig naast het PACS gebruikt kan worden. Aan de andere kant wordt er een eerste kansrijk, maar uitdagend AI-model ontwikkeld om te gebruiken in de software en dus in de kliniek. Voor deze modelontwikkeling heeft het UMCU een beroep op ons gedaan.

De aanpak
In samenwerking met een postdoc en een data scientist van het UMC Utrecht zijn we begonnen met het ontwikkelen van een aantal modellen. Een van de modellen die we hebben uitgewerkt is de autoencoder: dit algoritme leert hoe de distributie van gezonde hersen op MRI-scans eruitziet. Het model dat na training van het algoritme ontstaat kan, op basis van de geleerde distributie, een vrijwel identieke kopie maken van een gezonde scan. Belangrijk detail: het model heeft nog nooit een afwijking gezien en zal deze dus ook niet kunnen reproduceren. Het afwijkende deel van de scan zal daarom door het model zo logisch mogelijk worden gevuld met ‘gezonde’ pixels. Als we de gemaakte kopie en de originele scan over elkaar heen leggen, zal dit afwijkende gedeelte niet overeenkomen. Hiermee is de afwijking gedetecteerd.

De oplossing
Het gebruik van autoencoders voor deze toepassing is momenteel nog erg experimenteel. Binnen de gegeven tijd is het nog niet gelukt om het model goed genoeg te krijgen om daadwerkelijk te implementeren in de kliniek, maar onderzoekers in het UMC Utrecht gaan het model verder ontwikkelen. Zodra het model goed werkt en gevalideerd is, kan het direct geïmplementeerd worden in de kliniek, de tool voor de radiologen is immers al ontwikkeld.


De impact
Wanneer het model geïmplementeerd wordt in de kliniek kan dit een significante impact hebben op de huidige werkwijze. Radiologen hebben slechts enkele minuten de tijd om een patiënt te beoordelen, terwijl deze vaak meerdere soorten scans heeft ondergaan. Er zijn vaak zo’n 8 scans beschikbaar per patiënt, waarvan iedere scan uit 40-50 slices bestaat. Een afwijking is hier maar een klein onderdeel van. Er is dus sprake van een behoorlijke tijdsdruk en er kunnen dan ook wel eens afwijkingen worden gemist. Bij gebruik van het algoritme in de kliniek zullen alle afwijkingen oplichten die door het model gevonden zijn op de scans, waardoor een radioloog eigenlijk een extra paar ogen heeft die meekijkt. De uiteindelijke implementatie zal geleidelijk zijn en wetenschappelijk worden onderbouwd. Denk hierbij aan eerst een beoordeling door de radioloog, waarna het model alleen de ‘gemiste’ afwijkingen extra onder de aandacht brengt in plaats van direct het model laten leiden.
“Bij gebruik van het algoritme in de kliniek zullen alle afwijkingen die door het model gevonden zijn op de scans, oplichten. Hierdoor heeft een radioloog eigenlijk een extra paar ogen dat meekijkt.”
MEER WETEN?
