Henk Marquering, van oorsprong geofysicus en gepromoveerd binnen de seismische tomografie, ontwikkelde vanuit de geofysica belangstelling voor computermodellen. Na te hebben gewerkt aan beeldbewerking bij Canon werd de stap naar de medische sector gemaakt waar hij zich tot op heden binnen de afdeling radiologie bezighoudt met A.I. in de medische diagnostiek. Op het wintersymposium van de NVDMFR gaf hij een lezing over zijn werkgebied.

Start digitalisering in radiologie

Radiologie is een van de medische gebieden waar digitalisering als eerste plaatsvond. Volume-rendering is hier een goed voorbeeld van waarbij er een 3D volume wordt gemaakt van meerdere 2D afbeeldingen, bij onder andere computertomografie (CT) en magnetische resonantie imaging (MRI). Segmentatie is een ander voorbeeld waarbij men dankzij digitalisering, specifieke organen uit een afbeelding kan extrapoleren. Maar ook kwantificatie van ziektes is hedendaags mogelijk middels complexe analyse van databases door modellen en algoritmes die zich met zogenoemde Deep Learning bezighouden. Een goed voorbeeld van kwantificatie is een CT-beeld van een hart. Door volume rendering en extrapolatie is het coronaire systeem te visualiseren, te kwantificeren en te classificeren, waarbij de ernst van gecalcificeerde plaques en stenoses in kaart kan worden gebracht.

Reeds vanaf 1956 tot 1974 probeerde men door analyse van het brein inzicht te krijgen in de werking van een neuron. Dit resulteerde in 1958 in de eerste computersimulatie van neurale activiteit. A.I. heeft in de jaren daarna een wisselende aandacht gekregen. Door episodes van gebrek aan financiële middelen en computerrekenkracht heeft de ontwikkeling van A.I. lange tijd stilgelegen, waarbij in 1980 en 2010 er 2 maal een “booming wave” heeft plaatsgevonden. In de loop der tijd is de Artificial Intelligence (A.I.) doorontwikkeld van Machine Learning, waarbij bijvoorbeeld beelden automatisch worden geanalyseerd door middel van rendering en segmenteren, naar Deep Learning.

Deep Learning technologie

Deep Learning is niet het stimuleren van een enkel neuron, maar de interactie tussen verschillende neuronen en het effect op bijvoorbeeld gedachten, acties en reacties in het menselijk brein. De introductie van meerdere lagen, oftewel Deep Learning, in de A.I. zal resulteren in het beter uitvoeren van opdrachten. De computer zal dus in staat zijn om beelden te interpreteren zoals de mens ze ook kan interpreteren door meerdere lagen aan informatie te combineren. Ga je verschillende kenmerken per laag aan elkaar koppelen dan kunnen objecten worden herkend. In het humane brein gebeurt dit bij het herkennen van bijvoorbeeld een neus of een oog. Gezichtsherkenning en autonome auto’s, zoals Tesla deze op de markt heeft gebracht, zijn hedendaagse voorbeelden van Deep Learning technologie.

Stroomversnelling

Door de financieel lucratieve en groeiende computergame industrie en dankzij de komst van volume rendering-games, waar sterke grafische kaarten voor nodig zijn, is de A.I. in de medische wereld ook in een stroomversnelling geraakt. Dankzij deze krachtige grafische kaarten en in combinatie met nieuwe algoritmes, kunnen we nu ook complexe berekeningen uitvoeren in de medische beeldvorming. A.I. is in de radiologie met name geschikt vanwege grote hoeveelheden aanwezige digitale datasetsheets waarbij het analyseren vaak repetitief is en makkelijk uit handen kan worden genomen door computers. A.I kan worden ingezet bij het screenen van patiënten, tijdens de reconstructie van beelden en het verbeteren van de kwaliteit, maar ook het segmenteren en kwantificeren van beeldmateriaal en ten slotte het classificeren ervan om vervolgens een prognose te geven behoren tot de mogelijkheden.

Voorbeelden van A.I.

Een techniek om MRI-beelden sneller te reconstrueren door niet alle frequenties te analyseren maar enkel de frequenties waarin de structuren c.q. weefsels van belang worden afgebeeld wordt inmiddels mogelijk gemaakt door A.I.

Een ander voorbeeld is CT-beeld synthese tijdens een Calciumscore scan in het kader van coronaire aderverkalking. Door het toepassen van dosisreductie en zodoende minder stralingsbelasting is er sprake van een toename van ruis in de beeldvorming waardoor het kwantificeren van kalkafzetting in de coronaire arteriën niet meer mogelijk is. A.I. zorgt ervoor dat er wordt geleerd hoe het beeld eruit had moeten zien als er met een hogere dosering zou zijn gescand. Met een lage dosering straling simuleer je vervolgens het beeld waarbij een hogere stralingsbelasting werd toegepast. Zodoende is de beeldkwaliteit net zo goed om een goede coronaire calcium score te bepalen met minder stralingsbelasting voor de patiënt.

Bij andere patiëntengroep met bijvoorbeeld een cerebrale tumor wordt vaak zowel een MRI als een CT-scan gemaakt. MRI brengt voornamelijk de weke delen goed in kaart en de CT-scan wordt vaak gemaakt om een planningen voor radiatie therapie te bepalen. A.I kan worden ingezet om vanuit MRI-beelden te leren hoe de CT-beelden eruit moeten komen te zien; wederom CT-beeld synthese. De CT-scan is zodoende niet meer nodig bij deze categorie patiënten.
Op het gebied van beroertes, de ischemische- en hemorragische CVA, heeft Henk Marquering ook veel onderzoek verricht. De hoeveelheid bloed in een brein na een subarachnoïdale bloeding (SAB) op een CT-scan wordt onder andere bepaald aan de hand van de Fischer Grade (1-4), waarbij graad 1 geen bloed en graad 4 bloed in de ventrikels weergeeft. De mate van de hoeveelheid bloed in een CT-scan na subarachnoïdale bloeding valt mogelijk beter te kwantificeren. Bloed is echter niet makkelijk te herkennen door een computer middels segmentatie. Dankzij een Deep Learning algoritme leert een computer zelf of een voxel (3D pixel) bloed of geen bloed is. Dit resulteerde reeds binnen 48 uur in een algoritme dat even goed functionerende als de ‘’ouderwetse’’ GOFAI (Good Old Fashion A.I.) die voor de segmentatie werd gebruikt. Aan de hand van de hoeveelheid subarachnoïdaal bloed, zichtbaar op CT-beelden, is er een goede voorspelling te doen met betrekking tot de prognose van de patiënt. Het bepalen van het infarct volume, zeker een paar dagen na beroerte, is lastiger. Deep Learning is hier van toegevoegde waarde om een goede segmentatie te bewerkstellingen die tevens snel, accuraat, objectief en kwantitatief is.

Voorspellen

Nog complexer wordt het om te voorspellen of de patiënten op later tijdstip een infarct zal krijgen, de zogenoemde Delayed Cerebral Infarction (DCI). Dit geeft de mogelijkheid om het beleid na een beroerte te voorspellen en of een patiënt Intensive Care behoeftig wordt of met een betere prognose al dan niet naar huis zou kunnen gaan. Een patiënt zal voorlopig in de huidige medische wereld nog niet worden ontslagen enkel na analyse van computerbeelden.

Echter, Deep Learning technologie, waarbij de positieve en negatieve voorspellende factoren met betrekking tot de prognose worden weergegeven, brengt de specialist een stapje dichterbij in de interpretatie van de beeldvorming.

Naast de reeds bestaande trombolyse behandeling bij een ischemisch CVA, heeft de komst van endovasculaire trombectomie als therapie de prognose van de patiënt sterk verbeterd. De effectiviteit van trombectomie is echter afhankelijk van de trombus karakteristieken. Sommige trombi vallen makkelijk uit elkaar en andere trombi zijn juist heel stevig en elastisch, dit is onder andere afhankelijk van de mate van fibrine en/of hoeveelheid trombocyten. Het is echter niet eenvoudig om een trombus te vinden in CT-beelden omdat er nagenoeg geen contrast komt ter plaatse waar de trombus zich bevindt. Je kunt de trombus dus op CT-angio karakteriseren door afwezigheid van contrast op de plek van de trombus en in het achterliggende stroomgebied. Door gebruik te maken van anatomische symmetrie in de beeldvorming is het echter ook mogelijk om middels Deep Learning een trombus te visualiseren. A.I. kan daarbij bijdragen aan de beeldvorming van met het blote oog moeilijk definieerbare trombi.

Tot slot; nadere A.I.-detailanalyse van CT-angio beelden vertoonden min of meer als toevalsbevinding dat een trombus toch in zekere mate permeabel zou zijn voor contrastvloeistof. Dit was echter uit klassieke CT-angio beeldvorming nog niet eerder aangetoond. Deze zogenoemde ‘’thrombus perviousness’’ vertoonde een correlatie met de prognose van de patiënt. Uit kwantitatieve analyse van deze beelden bleek tevens dat patiënten met een voor contrastvloeistof permeabele trombus een drie keer zo gunstige prognose zouden hebben ten opzichte van patiënten met een niet-permeabele trombus.

Henk Marquering, Amsterdam UMC, locatie AMC, Universitair Hoofddocent afdeling Radiologie en Nucleaire Geneeskunde.

Verslag voor dental INFO door Joey de Boer, Thierry Roseboom en Hanneke den Uil, derdejaars masterstudenten tandheelkunde aan ACTA, van de lezing van Henk Marquering, tijdens het Wintersymposium van de Nederlandse Vereniging voor DentoMaxilloFaciale Radiologie (NVDMFR)

Lees ook: Artificial Intelligence in de maatschappij