Van CT naar 3D: Hoe AI de zorg kan versnellen

Artificiële intelligentie of AI heeft de wereld in zijn greep. Deze snelle opkomst zorgt in alle sectoren voor grote opwinding, maar ook voor extra bezorgdheid over mogelijke gevolgen. De medische sector vormt hier geen uitzondering op. Wat kan AI nu echt betekenen voor onze gezondheidszorg? Zullen artsen binnenkort hun plaats moeten afgeven aan hyperintelligente robots? Hoewel we dit nog niet hebben bereikt en misschien ook nooit zullen bereiken, biedt AI een breed scala aan mogelijkheden om de gezondheidszorg op een slimme manier te verbeteren. Deze scriptie stelt het gebruik van AI voor om snelle en accurate 3D-modellen te bekomen, die orthopedische zorg kunnen helpen versnellen.

3D-modellen via AI

AI kan een grote rol spelen in het verwerken van medische beelden op een snelle en effectieve manier. Hoe gaat zoiets in zijn werk? Stel je voor dat je een geavanceerd model een CT-scan geeft van bijna het volledige lichaam, zonder enige aanvullende informatie. Binnen enkele seconden kan dit model gedetailleerde informatie geven over de anatomie van de botten in de onderste ledematen van de patiënt. Op deze manier krijg je niet alleen vlotte toegang tot de scan zelf, maar ook tot 3D-modellen van de interne structuren van de patiënt.

Dit vormt een belangrijke eerste stap in de richting van verbeterde orthopedische zorg, met snellere diagnosemogelijkheden en diepgaander onderzoek. Wanneer bijvoorbeeld een wielrenner zoals Evenepoel een breuk in de heup oploopt, beschikt de chirurg die een mogelijkse operatie voorbereidt over aanzienlijk waardevollere informatie wanneer een 3D-model van het bot met de breuk beschikbaar zou zijn. Hierdoor kan de chirurg grondiger beslissen of een ingreep nodig is en zich beter voorbereiden.

Veel arbeid: zowel voor een specialist als een computer

Om de specifieke anatomie van de botten bij elke individuele patiënt te verkrijgen, dienen de medische beelden gelabeld te worden, vergelijkbaar met het markeren van de botten op een grote afbeelding met behulp van een fluostift. Een kernprobleem voor orthopedische en biomechanische onderzoekers is dat dit een arbeidsintensief proces is. Het verwerken van één CT-scan door een expert vergt al vlug enkele uren. Ondanks voortdurend onderzoek naar geautomatiseerde methoden om dit proces te versnellen, bestaat er momenteel nog geen universele standaard die zowel snelle als nauwkeurige resultaten levert.

Om snelle en nauwkeurige resultaten te verkrijgen wordt steeds vaker gekeken naar AI vanwege de potentie om beide eigenschappen te combineren. Het ontwikkelen van zo'n model brengt echter nieuwe uitdagingen met zich mee. AI-modellen leren patronen herkennen door een groot aantal voorbeelden te gebruiken en hun voorspellingen geleidelijk te verbeteren door feedback. Wanneer het leerproces is voltooid, kan het model voorspellingen doen voor ongeziene gevallen. Dit proces valt te vergelijken met hoe ons menselijk brein werkt, met talloze aanpasbare connecties. Door deze connecties op een slimme wijze te wijzigen, kan de herkenning van patronen voortdurend verbeterd worden.

Hier vloeit de eerste moeilijkheid uit. Door de hoge resolutie en grootte van de CT-scans, vergt het heel veel rekenwerk en geheugen van de computer om deze connecties telkens opnieuw te verfijnen op basis van de volledige afbeelding. Wanneer de afbeelding te groot wordt, is het zelfs onmogelijk om deze te verwerken in zijn geheel. Hierdoor wordt een grote CT-scan vaak in stukken geknipt die apart worden verwerkt. Hierdoor is er niet alleen een verlies aan context, maar duurt het ook lang voor bestaande technieken om een voorspelling te voltooien. Om deze moeilijkheden te verhelpen wordt een manier voorgesteld zodat de scans grotendeels in zijn geheel worden verwerkt. Eerst worden de interessante gebieden uit de CT-scan gehaald, met behoud van de nodige context, om hierop een fijnere voorspelling te doen. Op deze manier is het mogelijk om de anatomie van de botten in de onderste ledematen in een paar seconden te voorspellen met hoge precisie. Een paar seconden versus een aantal uur, het gebruik van AI kan de experts dus heel wat werk besparen!

Voorspellingen gemaakt door het AI model.

Onbestaande data?

Een bijkomende uitdaging bij de ontwikkeling van een model is de beschikbaarheid van voldoende leerzame voorbeelden. Het leerproces draait om het presenteren van correcte voorbeelden aan de computer, en het is duidelijk dat hoe meer voorbeelden beschikbaar zijn, des te beter het model kan leren. Dit is vaak een grote uitdaging in de gezondheidszorg. Het verkrijgen van één correct voorbeeld, verkregen via het werk van een specialist, kan uren in beslag nemen, waardoor het moeilijk is om een uitgebreide dataset met voorbeelden samen te stellen.

Om dit probleem aan te pakken is niet alleen gekeken naar het bouwen van een model, maar wordt ook een manier voorgesteld om duizenden nieuwe voorbeelden te genereren uit een beperktere dataset. Zo’n voorbeeld bestaat uit een CT-scan, niet genomen met behulp van de scanner, maar artificieel ontwikkeld. Deze is dan vergezeld met de aanduiding van de interessante anatomische structuren op de juiste locaties. Deze benadering maakt het mogelijk om voorbeelden te creëren die vergelijkbaar kunnen zijn met die van echte patiënten. Dit opent de deur naar de ontwikkeling van toekomstige modellen die met meer precisie voorspellingen kunnen doen, zelfs wanneer ze beschikken over een beperkte dataset.

Gegenereerde 3D-modellen en CT scans.

Artsen en AI: hand in hand

Een toekomst waarin AI de rol van artsen volledig overneemt, lijkt nog ver weg. Desalniettemin wordt het steeds belangrijker voor artsen om de opkomende AI-ontwikkelingen te omarmen. Het gebruik van de voorgestelde methode, waarbij een uitgebreide CT-scan in enkele seconden kan worden verwerkt in plaats van uren handmatig werk, heeft het potentieel om specialisten die momenteel veel tijd besteden aan het annoteren van CT-scans, te bevrijden voor andere cruciale taken. De voorgestelde methode om extra gegevens te genereren biedt hiernaast een effectieve manier om sneller hoogwaardige datasets te verkrijgen, waardoor de nood voor manueel werk vermindert en er meer mogelijkheden ontstaan voor het efficiënt trainen van AI-modellen. Op deze manier komt er door de samenwerking van AI en het personeel in de gezondheidszorg meer ruimte vrij om extra levens te redden!