Een onvermoeibare diagnosticus met grote nauwkeurigheid – automatisch leren brengt de gezondheidszorg in beroering

De diagnostische kwaliteit in de gezondheidszorg kan worden verhoogd met gespecialiseerde systemen waarin machinaal gezichtsvermogen en automatisch leren worden gecombineerd. Een goed ingeleerd kunstmatig intelligentiemodel kan patronen vaststellen in medische afbeeldingen die met het menselijke oog mogelijk moeilijk kunnen worden waargenomen. Oplossingen met gebruikmaking van machinaal gezichtsvermogen zijn, bijvoorbeeld, nu al in staat ziekten te classificeren en kanker te beoordelen.

Met een ingebed apparaat waarop een AI-model draait dat medische afbeeldingen analyseert, kan werkelijke menselijke kennis worden gereproduceerd en betaalbaar en betrouwbaar wereldwijd worden verspreid. De traditionele werkwijze van meer specialisten opleiden en ze de hele wereld over sturen om hun taken uit te voeren, kost tijd en geld.

Medische instellingen en deskundigen zijn geïnteresseerd in apparaten die de werkzaamheden binnen de gezondheidszorg kosteneffectief verbeteren. Daarom bieden machinaal gezichtsvermogen en automatisch leren een fabrikant van medisch-technische apparatuur enorme mogelijkheden.

“Bij iedere taak betreffende het analyseren van afbeeldingen kunnen machinaal gezichtsvermogen en automatisch leren worden toegepast”, aldus Matthias Zumpe, Team Manager Embedded Software bij Etteplan.

Een ingebedde oplossing telt alle eitjes van in ingewanden levende parasieten in een monster. Een AI-microscoop automatiseert het maken van afbeeldingen en past kunstmatige intelligentie toe voor het classificeren en tellen van verschillende parasieten.

Vroeger deden menselijke specialisten dit werk handmatig met microscopen en kliktellers. Een ingebed apparaat kan dezelfde nauwkeurigheid als een mens behalen, maar dan sneller en zonder te pauzeren.

“Deze goedkope apparaten kunnen eenvoudig worden geleverd aan, bijvoorbeeld, scholen in ontwikkelingslanden als hulp bij het diagnosticeren”, zegt Zumpe. De apparaten zijn door Etteplan in samenwerking met Johnson & Johnson ontwikkeld.

Het draaien van het model voor automatisch leren vereist slechts een bescheiden hoeveelheid verwerkingscapaciteit en kan eenvoudig plaatselijk en zonder verbinding met de cloud op het apparaat worden uitgevoerd.

De eerste stap voor een fabrikant van apparatuur voor de gezondheidszorg die de wereld van AI wil betreden, is vaststellen welke gegevens beschikbaar zijn voor het inleren van het model voor automatisch leren.

“Organisaties kunnen soms de hoeveelheid en de kwaliteit van gegevens die nodig zijn voor het inleren van een goed werkend model onderschatten”, zegt Zumpe.

Voor het succesvol verzamelen van de juiste soort en hoeveelheid gegevens wordt sterk aangeraden een partner te zoeken met ervaring in automatisch leren, want dit verschilt aanzienlijk van traditionele methoden voor, bijvoorbeeld, de op filteren gebaseerde methoden voor het verwerken van afbeeldingen.

Het ontwikkelen van een product dat gebruikmaakt van AI betekent meestal dat het gebied van diagnose en besluitvorming moet worden betreden.

“In vergelijking met een traditionelere manier van het eenvoudig voorleggen van de afbeeldingen aan medisch personeel als hulp bij het nemen van een beslissing, brengt het interpreteren van de afbeeldingen en gegevens met een model voor automatisch leren uiteraard veel meer verantwoordelijkheid en naleving van voorschriften met zich mee”, aldus Zumpe.

Bovendien verschilt de wetgeving op het gebied van gezondheidszorg over de hele wereld, wat het ontwikkelen van een oplossing die aan de eisen voldoet complexer maakt.

Aangezien sommige inleergegevens voor toepassing in de gezondheidszorg gevoelig kunnen zijn, kan soms vereist zijn dat het automatische leerproces op lokale servers draait.

“Afhankelijk van de gegevens is het soms handiger om gebruik te maken van pasklare diensten voor automatisch leren uit de openbare cloud, zoals Google Cloud, AWS of Microsoft Azure. Wij hebben ervaring met beide omgevingen”, zegt Zumpe.

Een doorgewinterde partner kan ook helpen bij het kiezen van het voor ieder geval meest geschikte model voor automatisch leren. Er liggen zeker een aantal mogelijke valkuilen op de loer die voor een beginner lastig vast te stellen kunnen zijn.

“Hoe kan worden verzekerd dat de gevoelige patiëntgegevens niet naar het model lekken? Hoe kunnen niet-discriminerende, ethische gespecialiseerde systemen worden ontwikkeld? Dit soort vragen is moeilijk te beantwoorden zonder een partner die gespecialiseerd is op het gebied van automatisch leren”, vertelt Zumpe.

Etteplan heeft ervaring in het organiseren van het gehele proces van machinaal gezichtsvermogen en automatisch leren van het begin tot het einde. Uiteraard kan het ook zijn dat u automatisch leren helemaal niet nodig heeft.

“We kijken naar ieder geval afzonderlijk. Als het probleem van de opdrachtgever met eenvoudigere en betaalbaardere methoden dan automatisch leren kan worden opgelost, kiezen we natuurlijk daarvoor. Toepassing van automatisch leren is voor ons geen doel op zich. Het is gewoon één van de gereedschappen in onze gereedschapskist, maar wel een hele krachtige”, aldus Zumpe.