AI in de neonatale zorg
Geboortes zijn een spanned moment. Na een lange tijd haar kindje mee te dragen kan een moeder eindelijk haar baby aanschouwen en vastnemen. Maar wat als de baby te vroeg komt?
Vroegtijdige geboortes gaan gepaard met grote risico’s voor een baby. Ziekenhuizen maken vaak gebruik van gespecialiseerde afdelingen om deze risico’s in te perken en de kleinsten onder ons van de beste zorg te kunnen voorzien. Specialisten in deze afdelingen zijn, onder andere, geïnteresseerd in de slaappatronen van pasgeborenen. Deze slaappatronen bevatten immers zeer veel informatie over de ontwikkeling van de hersenen. Slaappatronen kunnen herkend worden via de hersengolven, gemeten met zogenaamde elektro-encefalografie (EEG). Het grote voordeel van EEG is dat de baby buiten het dragen van een gekke muts met sensoren geen last ondervindt van metingen.
Een groot nadeel daarentegen van slaappatronen opvolgen via EEG is de complexiteit van de taak. Zelfs voor experten met jarenlange ervaring is het niet makkelijk om op een eenduidige manier de signalen te interpreteren. Aangezien pasgeboren baby’s ook nog eens het grootste deel van hun dag al slapend doorbrengen, en dus voor zeer lange tijd opgemeten worden, zorgt dit voor een immense last voor verzorgende artsen en maakt het continue opvolging quasi onmogelijk. EEG interpreteren met artificiële intelligentie kan een significante tijdswinst betekenen voor artsen en nieuwe mogelijkheden bieden om de hersenontwikkeling van pasgeborenen op te volgen.
De techniek bij uitstek uit het domein van de artificiële intelligentie om zulke complexe taken te automatiseren is deep learning. Deze techniek biedt enorm veel mogelijkheden en een hoge graad van flexibiliteit maar heeft een niet te verwaarlozen nadeel. Een standaard deep learning algoritme heeft een gigantische nood aan voorbeelden om van te leren. Deze beperking zorgt ervoor dat deep learning het originele probleem niet oplost: artsen moeten nog altijd uren en uren aan EEG signalen verwerken en interpreteren. Dit thesisonderzoek bekijkt methodes om dit grote nadeel te verhelpen.
Kunnen we een computer de karakteristieken en eigenschappen van EEG-signalen aanleren? Dit is de centrale vraag van dit thesisonderzoek. Door een algoritme een grote hoeveelheid signalen te laten bekijken kunnen we dit algoritme automatisch laten zoeken naar de belangrijkste karakteristieken en variaties in de signalen. Vervolgens kan het algoritme de opgedane kennis over EEG-signalen gebruiken om de beperkte set aan aangeduide slaappatronen beter te benutten.
Er is echter niets wat ons tegenhoudt om deze beide stappen te combineren. Een algoritme kan in één keer opnames verwerken met annotaties van artsen en ruwe opnames met enkel de EEG-signalen. Deze geïntegreerde aanpak blijkt te leiden naar betere resultaten dan een algoritme in twee stappen.
Kunnen we een computer de karakteristieken en eigenschappen van EEG-signalen aanleren? De geïntegreerde aanpak, waarin het algoritme tegelijk slaapstadia leert herkennen en eigenschappen van een signaal identificeert, leidt met ongeveer honderd uur aan extra ruwe opnames tot betere resultaten dan de huidige methodes. Deze verbeterde resultaten hinten naar een beter begrip van een EEG-signaal. Deep learning voor automatische opvolging van prematuren wint hierdoor aan relevantie. De resultaten van dit thesisonderzoek tonen aan dat de techniek inzetbaar is met een minimum aan input van artsen zolang er genoeg ruwe opnames voorhanden zijn.
