BLOG - AI & De strategie van Tom Dumoulin

Door: Charlotte van Leeuwen

Een project starten. Het wiel laten draaien. Trappen. Het kan alleen, maar het liefst in een peloton. Je wisselt af wie de wind vangt en je kan veel harder. De laatste tijd zie je veel wielrenners op straat. Is het een hype of is het de toekomst?

Zoals je steeds meer wielrenners op straat ziet, zie je ook steeds meer AI-projecten binnen en buiten het LUMC. De een is al jaren bezig, de ander is net begonnen. Is het een hype of is het de toekomst?

Beginnersfouten
Wielrenners die al jaren fietsen kennen allemaal de beginnersfouten: vergeten dat je bent ingeklikt met je schoenen aan je pedaal, waardoor je omvalt bij het stoplicht. Of het moment dat je een heuvel op gaat en je versnelling nog niet omlaag hebt gedaan, waardoor je naar boven moet lopen (en ze hadden je nog gewaarschuwd dat de weg vanaf het tankstation steil omhoog gaat). Wanneer je wil beginnen met AI wil je voorkomen dat je de standaard beginnersfout maakt: heb je een gaaf idee? Kijk dan eerst of je voldoende data van goede kwaliteit hebt om je model op te trainen. Een goede uitrusting brengt je veel verder. Met een hongerklop krijg je het zwaar, dus het is belangrijk om genoeg input in je model te krijgen. Daarnaast moet je altijd je ogen op de weg houden: het komt vaak voor dat je een hele data set geleverd krijgt waar je enthousiast mee aan de slag gaat, maar je nog niet goed hebt gekeken waar en wanneer je in de praktijk het model gaat gebruiken. Welk probleem pak je aan en is AI hiervoor de oplossing?

De roadblocks
Tijdens de mooie rondes die je maakt kom je ook obstakels tegen. Er liggen takjes op de weg, een groepje eenden steekt net over, je moet heel hard remmen voor een stoplicht, de tramrails is glad, je hebt harde wind tegen op de terugweg of je hebt een lekke band. Gaandeweg je ronde kom je van allerlei roadblocks tegen. Ethische roadblocks: wat zit er in het AI-model en is het ethisch verantwoord dat een computer dit bepaalt? Juridische roadblocks: hoe zit het met een CE-markering? Kan ik zomaar een model inkopen? Roadblocks bij de implementatie: kan het in het systeem waar het LUMC altijd in werkt? En gaan de artsen het ook echt gebruiken of blijft het de fiets die altijd voor de sier aan de muur hangt?

Het onderhoud
Het is belangrijk om je fiets te onderhouden. Regelmatig schoonmaken zorgt ervoor dat je fiets minder snel slijt en dat je lekker kan blijven wielrennen. Data in een ziekenhuis kan veranderen, artsen gaan anders handelen dankzij het model of in de extremen verandert de data op de IC doordat er ineens veel patiënten zijn met het coronavirus. Je moet je model continu trainen en verbeteren, zodat dat het altijd blijft werken op de nieuwe gegevens van de populatie. Zorg ook altijd dat je een plaksetje of een reserveband met je meehebt, zodat je makkelijk kleine aanpassingen kan doen wanneer er een kleine fout in je model zit.

In een peloton
Wie wel eens in een peloton heeft gefietst zal zeker hebben gemerkt dat je met zijn allen veel verder en sneller kan. Daarnaast is het natuurlijk ook veel leuker. Iemand fietst voorop en pakt alle wind, en zo wissel je met zijn allen af. Dit is ook de strategie van Tom Dumoulin. Mede dankzij zijn ploeggenoten komt hij aan de top. In het CAIRELab zitten veel specialisten die op zijn/haar gebied voorop kan fietsen. Op deze manier kunnen we met zijn allen de roadblocks aan, vangt ieder een eigen stukje wind en kan AI sneller worden geïmplementeerd in de kliniek.

Hype of toekomst? Ik ben ervan overtuigd dat AI in de zorg zeker de toekomst is, evenals wielrennen voor mij als sport is. De ene keer een kleine ronde en een makkelijker AI-model, de andere keer een lange rit waarbij je veel meer tijd en moeite moet steken in het model.

Je begin altijd in een lagere versnelling, maar nu is iedereen enthousiast en is het peloton van CAIRELab klaar om de berg op te gaan! Ben jij het ook?

NIEUWS - Twee grants voor AI in het LUMC

Afgelopen week hebben twee AI-projecten van het LUMC grants ontvangen. 

1. Grant van het Chang Zuckerberg Initiative

Dr. Marius Staring (Laboratorium voor Klinische en Experimentele Beeldverwerking, Radiologie) ontvangt een grant van het Chan Zuckerberg Initiative om de toegankelijkheid, interoperabiliteit, en efficiëntie van de imaging-software Elastix te verbeteren

Elastix is wereldwijd een van de meest populaire toolboxen voor medische beeldregistratie, maar stamt uit 2003 dus vereist ondertussen wat onderhoud. Staring en zijn collega’s gaan de software beschikbaar maken in de programmeertaal Python, verbeteringen aanbrengen in de performance en het gebruikersgemak vergroten voor mensen die geen imagingregistratie-experts zijn. Daarvoor ontvangen zij $200.000 vanuit het prestigieuze 'CZI Essential Open Source Software for Science'-programma.

Meer informatie over Elastix is te vinden via https://elastix.lumc.nl. 

2. Grant voor voorspellen van dementie

Kan het optreden van dementie decennia voor de diagnose worden voorspeld door artificiële intelligentie toe te passen op MRI-scans van de hersenen? Die vraag gaat radioloog Jeroen de Bresser beantwoorden dankzij een beurs van 200.000 euro van Alzheimer Nederland.

Het doel van het onderzoeksproject is om op basis van MRI-scans van de hersenen een nauwkeurige methode te ontwikkelen waarmee personen met een verhoogd risico op dementie kunnen worden opgespoord tientallen jaren voordat ze dement worden. Dat is belangrijk om op tijd met de behandeling te kunnen starten. 

Vormverschillen van hersenafwijkingen

Ziektebeelden van de kleine bloedvaten in de hersenen leiden tot afwijkingen die we kunnen zien op hersenscans. De Bresser: “Mijn hypothese is dat de vorm van deze hersenafwijkingen gerelateerd is aan de onderliggende oorzaak. In mijn eerste studie wil ik daarom bij 50 personen met geheugenklachten proberen te achterhalen waarom vormverschillen van deze hersenafwijkingen optreden. In mijn tweede studie wil ik op basis van artificiële intelligentie een model ontwikkelen dat mede op basis van de vorm van hersenafwijkingen op scans kan voorspellen wie dement wordt.”

Het langetermijndoel is om met deze methode personen met een verhoogd risico op dementie te kunnen selecteren voor onderzoek naar preventieve en op de patiënt afgestemde behandeling gericht op het voorkomen van dementie.