Quantib software kunstmatige intelligentie

UMC Utrecht en AI-bedrijf Quantib starten joint venture

AI-bedrijf Quantib groeide in de afgelopen paar jaar substantieel, met een team van inmiddels meer dan dertig medewerkers en klanten in binnen- en buitenland. Naast de oorspronkelijke hechte band met het Erasmus MC startte eind 2018 Quantib-U, een joint venture met het Universitair Medisch Centrum Utrecht. Tijd voor een update over het Nederlandse softwarebedrijf dat zich toelegt op kunstmatig intelligente software in medische beeldvorming.

Quantib begon zeven jaar geleden als spin-off van het Erasmus MC. Dat ziekenhuis heeft een vakgroep Biomedical Imaging Group Rotterdam (BIGR) onder leiding van Prof. Dr. Wiro Niessen. Niessen is oprichter en Scientific Lead bij Quantib. Quantib zet deep learning technologie in om op basis van MRI- of CT-beelden artsen te helpen bij snellere en preciezere diagnose van patiënten.

Na het Erasmus MC is er sinds kort een nauwe samenwerking met het Universitair Medisch Centrum Utrecht. Quantib en UMC Utrecht startten een joint venture onder de naam Quantib-U, waar beide partijen mankracht, knowhow en kapitaal in investeerden. Binnen de nieuwe BV zijn onder meer radiologen vanuit UMCU en onderzoekers vanuit het Image Sciences Institute van UMC Utrecht betrokken.

Grootschalige datasets

Klinische expertise en grootschalige gestructureerde datasets zijn de kroonjuwelen die het Universitair Medisch Centrum Utrecht inbrengt, Quantib levert onder meer toptalent op gebied van deep learning, regelgeving en certificering van software. “Dit is een nauwe samenwerking om kennis en data vanuit een academisch ziekenhuis in te zetten om algoritmes te ontwikkelen en te laten certificeren voor klinisch gebruik”, zegt Ory Six van Quantib.

Ory Six (Quantib)

Ory Six (Quantib): “Hoe beter de data, hoe beter de prestaties van de software.”

Het mes snijdt aan twee kanten: met behulp van de kennis van Quantib kan het UMC Utrecht de AI-oplossingen die zijn ontwikkeld op basis van in-house expertise naar de kliniek brengen. Het AI-bedrijf breidt op zijn beurt zijn netwerk uit met topwetenschappers en de grootschalige, gestructureerde datasets die het UMC Utrecht beschikbaar stelt. Ory Six: “Naast klinische expertise en domeinkennis is data enorm belangrijk bij het ontwikkelen van nieuwe algoritmes. Hoe beter de data, hoe beter de prestaties van de software.”

Lees het gehele artikel op SmartHealth.live.

Software herkent longkanker in CT-scans “net zo goed of beter” dan radiologen

Een onderzoek afkomstig van Google – afgelopen maandag gepubliceerd in Nature – doet veel stof opwaaien in de internationale pers. Een team van Google ontwikkelde een kunstmatig intelligent algoritme dat op CT-scans van longen zogeheten kleine nodules – afwijkingen of ‘knobbeltjes’ – betrouwbaar kan detecteren. Google doet dat naar eigen zeggen beter dan menselijke radiologen. Wat betekent dat voor longkankerscreening?

Nodules kunnen potentieel kwaadaardig zijn en tot longkanker kunnen leiden. Vroeg detecteren is daarom belangrijk. In een later stadium van de kanker wordt het succes van de behandelopties minder, of met de weinig verhullende medisch jargon, de survival rate is laag. Op computertomografie (CT) -scans kan een radioloog met een getraind oog longnodules opmerken. Een team van Google ontwikkelde een algoritme dat deep learning gebruikt om nodules op te sporen.

Openbare datasets

Onlangs publiceerde Google een nieuw artikel in Nature over de werking van het algoritme. Google gebruikte 42.000 CT-scans van drie openbare datasets en een gelicenseerde dataset van Northwestern Medicine om het deep learning model te trainen. Volgens onderzoeker Danial Tse leverde het algoritme 11% minder vals positieven en 5% minder vals negatieve uitkomsten in vergelijking met de radiologen:

When prior computed tomography imaging was not available, our model outperformed all six radiologists with absolute reductions of 11% in false positives and 5% in false negatives. Where prior computed tomography imaging was available, the model performance was on-par with the same radiologists.

Dus zonder eerdere CT-beelden van patiënten te bekijken scoorde het algoritme beter dan de menselijke radioloog in de voorspelling welke kans de patiënt had op longkanker. Met behulp van een huidige en eerdere CT-scan van de patiënt waren radioloog en algoritme even accuraat. Wel benadrukt het techologiebedrijf dat het algoritme nog gevalideerd moet worden bij grotere patiëntenpopulatie en op andere datasets dan de openbare en gelicenseerde dataset.

Lees het volledige artikel op smarthealth.live.

masterclass eHealth strategie

Vier AI ontwikkelingen in 2018

Gezondheidszorg is in opkomst als een prominent gebied voor AI-onderzoek en toepassingen. En bijna elk gebied in de branche zal worden beïnvloed door de opkomst van de technologie. SmartHealth over vier AI-trends waar we de aankomende jaren naar verwachting steeds meer van zullen merken.

Gezondheidszorg is bij uitstek een sector waar bergen data verzameld en gecreëerd worden, die nodig zijn voor kunstmatig intelligente software-toepassingen. MRI-scans worden gebruikt om algoritmes voor beeldherkenning te trainen. Ongestructureerde en gestructureerde data uit onder andere EPD’s kunnen worden gebruikt voor text mining modellen om te voorspellen welke patiënten eerder ontslagen kunnen worden of juist een risico lopen.

Toch zijn er nog veel uitdagingen voordat concrete toepassingen van kunstmatige intelligentie (AI) hun weg vinden in de zorgsector. Interoperabiliteit tussen IT-systemen, standaardisatie en databases die groot en betrouwbaar genoeg zijn, om er een paar te noemen. Ondanks die uitdagingen is de potentie van kunstmatige intelligentie in de zorg groot, zeggen zowel de sceptici als de technologie-optimisten.

1. Opkomst van AI als medisch hulpmiddel

In de afgelopen maanden keurde de Amerikaanse FDA meerdere software-toepassingen goed die gebouwd zijn op AI. Neurale netwerken blijken in staat om afwijkingen op te sporen, bijvoorbeeld bij medische beelden. Zo lukte het DeepMind om – in samenwerking met een Brits oogziekenhuis – met zijn neurale netwerk veelvoorkomende oogziektes te herkennen in oogscans (OCT), met dezelfde nauwkeurigheid van medische experts wanneer zij dezelfde beelden beoordelen.

Soms gaat het om toevalstreffers: door kunstmatig intelligente software kunnen ook nieuwe verbanden worden ontdekt. Het Amerikaanse bedrijf AliveCor – maker van ECG-apparatuur voor consumenten om hartritme filmpjes te maken – publiceerde eerder dit jaar op een congres van het American College of Cardiology de resultaten van een onderzoek waarbij hun algoritmen 2 miljoen hartfilmpjes en de bijbehorende 4 miljoen kalium bloedwaarden analyseerden. Dat de algoritmen op basis van een analyse van miljoenen ECG’s ook andere aandoeningen kunnen opsporen, bleek een onverwachte bijvangst te zijn: het algoritme bleek een grote voorspellende waarde te hebben om kaliumgehalte te bepalen.

AliveCor ECG iPhone

AliveCor werkte voor de ontwikkeling van de test met de cardiologieafdeling van de Mayo Clinic. Cardioloog Paul Friedman, de chef van die afdeling, zegt in een persbericht dat de test extreem goed presteert in het onderzoek. Volgens de cardioloog heeft AliveCor potentie om op een pijnloze en goedkope manier aan te tonen of het potentieel levensbedreigende kalium-overschot, dat prima kan worden behandeld, aanwezig is bij een patiënt.

2. AI in klinische studies

Met ResearchKit en CareKit van Apple boren medische onderzoekers en kennisinstellingen nieuwe databronnen aan: informatie van iPhone-gebruikers en van de sensoren in smartphones. Voor aandoeningen als Parkinson, autisme en hartritme-stoornissen zijn er grootschalige klinische studies waar wereldwijd deelnemers met hun smartphone aan mee kunnen doen.

“We snappen nog steeds niet goed waarom patiënten zo verschillen van elkaar”, aldus een onderzoeker, “en waarom therapieën en medicijnen verschillende uitkomsten hebben.” De dataverzameling via Apple’s ResearchKit geeft medische onderzoekers toegang tot een kwantiteit en kwaliteit van sensordata, videobeelden, foto’s en vragenlijsten die tot voor kort lastig te verkrijgen waren.

Neem bijvoorbeeld de ResearchKit-studie naar kinderen met autisme van de Amerikaanse Duke University, waar in juni de eerste resultaten werden gepubliceerd in tijdschrift npj Digital Medicine. Het doel van de Autism & Beyond studie was om te testen of iPhones inzetten voor dataverzameling geaccepteerd werd onder deelnemers en bruikbare resultaten opleverde, in de vorm van video’s van kinderen met een Autisme Spectrum Stoornis (ASS). Daarnaast wilde onderzoekers van Duke Medicine die videobeelden en data analyseren om te kijken of software de beelden correct kan coderen, dus emoties van jonge kinderen kan herkennen en kwantificeren, door het gebruik van kunstmatige intelligentie.

Nog een goed voorbeeld is de Parkinson Op Maatstudie van de Radbouduniversiteit Nijmegen en het Radboudumc, in samenwerking met Verily Life Sciences, een dochteronderneming van Google. Bij 135 deelnemers worden naast metingen in het ziekenhuis ook data verzameld door de smartwatch die Verily ter beschikking stelt. Door een grote groep mensen met parkinson een lange tijd nauwkeurig te volgen hopen de onderzoekers meer inzicht te krijgen in het ontstaan en verloop van de ziekte en de verschillen tussen mensen met parkinson.

“Nu worden verschillende onderzoeken uitgevoerd naar één onderwerp, bijvoorbeeld alleen hersenscans of alleen genetische informatie. Het mooie aan de Parkinson Op Maatstudie is dat we straks van heel veel mensen met parkinson informatie hebben over al deze terreinen. Hierdoor kunnen verschillende vakgebieden samen onderzocht worden”, aldus Rick Helmich, neuroloog in het Radboudumc en betrokken bij de Parkinson op Maatstudie.

3. AI in geneesmiddelenonderzoek

Ook geneesmiddelenfabrikanten experimenteren met deep learning om nieuwe geneesmiddelen te ontdekken. Grote farmaceuten werken samen met AI bedrijven om nieuwe moleculen, eiwitten en genetische verbanden te ontdekken die een stimulans kunnen zijn voor geneesmiddelen-onderzoek. Zo werkt Merck samen met startup Atmoswise, en GlaxoSmithKline met Insilico Medicine.

Nog een goed voorbeeld is Roche, die in februari 2018 het Amerikaanse Flatiron Health overnam voor bijna 2 miljard dollar. Flatiron’s oncologie-platform wordt in de Verenigde Staten door zo’n 2500 artsen gebruikt en bevat 2 miljoen patiëntendossiers. Voor Roche is die data uit elektronische patiëntendossiers en andere real world evidence cruciaal in het bepalen van successen en bijwerkingen van geneesmiddelen. Data die vervolgens weer gebruikt wordt voor de ontwikkeling van nieuwe medicatie.

4. Arts gezocht

Algoritmes moeten getraind worden, en dat betekent dat technologie-bedrijven soms tientallen medische professionals in dienst hebben. Om de algoritmes te trainen om oogscans (OCT) te beoordelen, moest DeepMind in samenwerking met Moorfield’s Eye Hospital in Groot-Brittannië eerst investeren in het labelen en opschonen van de database van OCT scans. Om die database – met ruim 14.000 scans – klaar te maken voor gebruik waren medische professionals met een getrainde blik. In enkele maanden tijd beoordeelden zij de OCT-beelden.

Ook de Chinese tech-gigant Alibaba heeft een vergelijkbaar verhaal, toen het in 2016 de eerste stappen zette met AI. Volgens Min Wanli, hoofd van de machine intelligence afdeling van Alibaba Cloud, ging het bedrijf eerst samenwerkingen aan met Chinese gezondheidsinstellingen en leveranciers van medische hulpmiddelen om toegang te krijgen tot medische data en beelden. “Eerst moesten we instellingen overtuigen om krachten te bundelen, om medische beelden te delen om onze algoritmes te trainen. Die medische beelden en data werden vervolgens geannoteerd door dokters en specialisten: wanneer een onderdeel geen labels of annotaties heeft, weten wij dus niet of het om een gezonde persoon of om een zieke persoon gaat. Dit was een belangrijke stap”, aldus Wanli.

DeepMind kantoor in Londen

DeepMind’s AI-software kan meer dan 50 oogaandoeningen opsporen

Onderzoekers van DeepMind – Google’s dochteronderneming gespecialiseerd in deep learning en artificial intelligence) – en Moorfields Eye Hospital en University College London hebben samen software ontwikkeld die op basis van 3D scans een tiental veelvoorkomende oogziektes kan herkennen en een passende behandeling kan voorstellen. Dat meldt University College London (UCL).

Moorfields Eye Hospital is het grootste oogziekenhuis in Europa. De software maakt gebruik van de data die gegenereerd wordt door een zogeheten Optical Cohorence Tomography (OCT). Bij een OCT wordt met behulp van laserlicht een 3D scan gemaakt van de verschillende lagen van het netvlies, achter in het oog. Door zo’n OCT kunnen in een vroegtijdig stadium eventuele aandoeningen worden opgespoord. Het interpreteren van de data van zo’n scan is echter een tijdrovend proces. Een betrokken onderzoeker vanuit het Moorfield ziekenhuis geeft aan: “Het aantal oogscans dat we dagelijks uitvoeren groeit, maar we hebben niet genoeg mankracht om deze scans allemaal te analyseren.”

7500 patiënten

De software is getraind op basis van 15.000 OCT-scans van zo’n 7500 patiënten en door dokters gestelde diagnoses. Op basis hiervan leerde het systeem de verschillende anatomische elementen van het oog en eventuele afwijkingen hieraan herkennen. Tijdens het testen werd de diagnose van de AI-software vergeleken met de diagnose gesteld door een panel van acht dokters. In 94% van de gevallen werd dezelfde diagnose gesteld.

Drie-jarige samenwerking

De software is het resultaat van een driejarige samenwerking tussen de drie instanties. Hoewel de AI-tool nog niet klaar is voor gebruik in een klinische setting, kan het volgens de ontwikkelaars binnen een paar jaar in ziekenhuizen ingezet gaan worden. Volgens Mustafa Suleyman van DeepMind, kan het onderzoek op den duur “de manier waarop we patiënten met oogaandoeningen diagnosticeren en behandelen wereldwijd transformeren.”