BLOG - Eerste hulp bij het opstarten van een AI project

Eerste hulp bij het opstarten van een AI project

Door: Stephan Romeijn & Margot Slootweg

Vandaag de dag is het onderwerp AI het paradepaardje van de gezondheidszorg. Of zeg maar gerust, een racepaard. Want iedereen wil met zijn AI-succesverhaal als eerste finishen. En dat is logisch, aangezien de verwachtingen omtrent de toegevoegde waarde van AI binnen de gezondheidszorg hoog zijn opgedraafd. Onderzoeken en hackathons (waaronder de LUMC-editie van afgelopen oktober) tonen keer op keer de potentiele waarde van AI aan op het gebied van (kosten-)efficiëntie en kwaliteitsverbetering.

Toch blijkt het in de praktijk lastig om een AI-project succesvol van de grond te krijgen. Het is natuurlijk niet onmogelijk, want we zien steeds meer (internationale) start-ups die zich volledig toeleggen op AI-gestuurde medische producten en langzamerhand hun weg vinden in de klinische praktijk. In deze blog delen we vier tips voor een vliegende start van een AI-project binnen de muren van een ziekenhuis.

Tip 1: Strenge selectie casus. Zorg ervoor dat je de beschikbare middelen besteedt aan een relevante vraag, vanuit de kliniek. Dat wil zeggen dat er een noodzaak dient te zijn in de kliniek voor de innovatie en het een direct probleem oplost. Uit onze ervaring is gebleken dat projecten waarvan de vraagstelling vanuit de kliniek komen, soepeler verlopen vanwege een goede betrokkenheid en eigenaarschap. Men is nu eenmaal eerder geneigd harder te lopen voor een project waar ze zelf bij gebaat zijn. Dat komt de samenwerking en het ‘gezamenlijke’ AI-product ook ten goede.

Tip 2: Eigenaarschap en roldefiniëring. Wellicht een open deur, in een tijd waar user-experience centraal staat, maar het blijkt toch belangrijk om deze te herhalen. Betrek je eindgebruikers en neem minimaal één eindgebruiker op in de kern van je projectteam. Dit is de groep die het product uiteindelijk zal moeten gebruiken in de dagelijkse context en hier dan dus ook waardevolle feedback in kan gegeven. Zorg er dan dus ook voor dat deze eindgebruiker gedurende het project goed betrokken wordt gehouden.  Maak daarnaast duidelijke afspraken wat je verwacht van je teamleden.

Tip 3: Verwachtingsmanagement. Het is voor stakeholders belangrijk om te weten waar ze aan toe zijn, en wanneer men de eerste resultaten kan bewonderen en gebruiken. Specialisten, onderzoekers, artsen in opleiding, etc. hebben diverse belangen en ook vaak een eigen opinie wanneer een project ‘geslaagd is’. Het is daarom heel waardevol om tijdens een kick-off meeting per persoon te inventariseren wat hij/zij als succescriteria zou formuleren. Daarnaast, wees als projectleider eerlijk en realistisch. Visualiseer de vorderingen binnen je project door regelmatig demo’s van bijvoorbeeld een dashboard te laten zien. Zo hou je de stakeholders betrokken en is er transparantie over de voortgang.   

Tip 4: Begin klein. Het toepassen van AI in de kliniek is een ontgonnen gebied, dus begin klein en accepteer dat het een proces is van vallen en opstaan. Een uiteindelijk stip op de horizon voor het project is goed, maar definieer subdoelen om er te komen. Door simpelweg te doen, lossen we stap voor stap (digitale) vraagstukken op, zodat AI veilig en verantwoord in de dagelijkse praktijk gebruikt kan worden.

Tot slot, accepteer dat je een lange adem nodig hebt. Een goed AI-model ontwikkelen kost nu eenmaal tijd, en de daadwerkelijke toepassing in de kliniek moet met gepaste zorgvuldigheid gebeuren. Laat dit je niet ontmoedigen, want samen brengen we AI in de zorg een stap dichterbij.

BLOG - Hoe verbetert transfer learning je datamodel?

Hoe verbetert transfer learning je AI-model?

Door: Esmee Stoop

De beschikbaarheid van voldoende (kwalitatieve) data is helaas nog te vaak een probleem. Veel ziekenhuizen zitten op data-vlak in hun eigen bubbel. Hoewel er steeds meer stappen worden genomen om data makkelijker te delen tussen ziekenhuizen is het nog lastig om deze data te gebruiken voor bijvoorbeeld een predictiemodel. Dit kom onder meer door verschillende eenheden die worden gebruikt, andere variabelen en ook protocollen die binnen een medisch centrum gehanteerd worden. Het is voor onderzoekers dan ook erg lastig om over voldoende data te beschikken om een effectief Machine Learning model te trainen. Gelukkig bestaan er methodes binnen Deep Learning die hierbij een oplossing bieden. Een van die technieken is Transfer Learning.

Transfer Learning is een methode waarbij je een ander model in zekere zin recyclet. Een deep learning model dat op vergelijkbare data is getraind gebruik je als startpunt voor je nieuwe model. Vervolgens zal je wat updates moeten maken om het model specifiek toe te spitsen op jouw uitdaging. Dit betekent dat je bepaalde lagen van een model hergebruikt en hier een nieuwe laag aan toevoegt. Die nieuwe lagen worden dan opnieuw getraind.

Deze methode wordt al veelvuldig toegepast in modellen die gebruik maken van beelden (Talo et al., 2019) en teksten (Devlin et al., 2018). Doordat deze modellen vaak eerst op enorme datasets zijn getraind, leert het model al snel de basis kennen van vormen en zinsopbouwen. Vervolgens kun je de kennis van deze modellen toepassen en specifiek laten werken op bijvoorbeeld een thoraxfoto of een doktersbrief. Het is belangrijk om de voorgetrainde datamodellen zorgvuldig te selecteren, zodat ze de beste resultaten opleveren. Let hierbij vooral op welk model je zelf nodig hebt, en op wat voor type data het bronmodel is getraind.

Wij verwachten dan ook dat deze manier van werken de aankomende jaren een grotere rol gaat spelen in applicaties die voor ziekenhuizen worden gemaakt die AI bevatten. Modellen die in het ene ziekenhuis heel goed werken, hebben niet per definitie dezelfde accuraatheid voor een ander ziekenhuis. Vormen van transfer learning kunnen hier mogelijk een oplossing bieden.

NIEUWS - AI in de spreekkamer

Kunstmatige Intelligentie is een goed hulpje bij het vastleggen en uitwerken van een lastig gesprek met een patiënt. Op BNR Nieuwsradio vertelden we over ons project met spraakherkenning in de spreekkamer. 

Luister het interview hier terug.

NIEUWS - Het LUMC opent kennis- en expertisecentrum voor AI

Versnellen van AI in de praktijk door kennis te delen

In het LUMC is donderdag 13 februari het Clinical Artificial Intelligence Implementation and Research Lab (CAIRELab) geopend. In het nieuwe kennis- en expertisecentrum worden alle AI-werkstromen in het LUMC samengebracht. Dit met als doel om de ontwikkeling en het onderzoek naar AI in de zorg te versnellen.

Door verschillende fases van AI-ontwikkeling en toepassing samen te brengen op een centrale plek, is het makkelijker om kennis te bundelen. Hierdoor kunnen ideeën op het gebied van AI straks sneller tot uitvoering worden gebracht. “We geloven dat we door de toepassing van kunstmatige intelligentie de gezondheidszorg kunnen verbeteren”, zegt Mark van Buchem, bestuurder van het CAIRELab en afdelingshoofd Radiologie bij het LUMC.

“Het is een krachtig hulpmiddel om de toenemende druk op de gezondheidszorg te accommoderen. Daarnaast zal met behulp van kunstmatige intelligentie de kwaliteit van de zorg verbeteren. Er kunnen betere diagnoses gesteld worden en behandelingen kunnen meer op de individuele patiënt afgestemd worden. Het is wel zaak om de veronderstelde effecten van kunstmatige intelligentie te meten, om de meerwaarde ervan voor de patiënt en maatschappij vast te kunnen stellen. Ook daar wordt in het CAIRELab veel aandacht aan besteed.”

Leren van AI in de praktijk
Een van de projecten die onder het CAIRELab valt is de spraakherkenning in de spreekkamer. Hierbij worden gesprekken tussen arts en patiënt opgenomen en getranscribeerd. De kunstmatige intelligentie stelt vervolgens een samenvatting voor. De arts hoeft tijdens het patiëntgesprek niet meer mee te schrijven, en kan de aandacht volledig op de patiënt richten. Het project heeft afgelopen jaar in pilotfase meegedraaid in de spreekkamer, en wordt in 2020 doorontwikkeld naar een productieversie die ook door andere instellingen gebruikt kan worden.

Een belangrijke voorwaarde voor succes van AI in de praktijk is samenwerking. Enerzijds is het belangrijk dat de medisch specialist en de AI-ontwikkelaar goed samenwerken om tot een goed product te komen dat ook daadwerkelijk in de praktijk gebruikt kan worden. Anderzijds is samenwerking nodig om van elkaar te leren, en sneller te ontwikkelen. Hierbij kijkt het CAIRELab ook naar externe partijen, waarmee het samen de ontwikkeling, validatie, implementatie en evaluatie van AI in de kliniek kan versnellen.