Een beeld maken van onze ingewanden of longen kan tegenwoordig op heel veel manieren. Maar iedereen die wel eens zo’n foto heeft gezien, verwondert er zich over hoe moeilijk het is de belangrijke details te kunnen onderscheiden. Dat is vakwerk. En zelfs artsen moeten er goed de tijd voor nemen. Door kunstmatige intelligentie (AI) te gebruiken, kan die analyse van medische beeldgegevens straks veel sneller.
“De evaluatie van driedimensionale scans is zeer tijdrovend”, legt Oliver Schoppe van de Technische Universiteit München (TUM) uit. Samen met een interdisciplinair onderzoeksteam heeft hij zelflerende algoritmen ontwikkeld die in de toekomst kunnen helpen bij de analyse van biowetenschappelijke beeldgegevens.
Grijstinten omzetten in kleur
Deze kunstmatige neurale netwerken hebben slechts enkele seconden nodig om bijvoorbeeld scans van muizen in het hele lichaam te evalueren. In plaats van de organen in verschillende grijstinten te tonen, tonen ze deze in kleur. Ze kunnen ze ook gesegmenteerd worden. De kern van de AIMOS-software (AI-based Mouse Organ Segmentation) bestaat uit kunstmatige neurale netwerken die in staat zijn om te leren.
“Vroeger moest je computerprogramma’s precies vertellen wat ze moesten doen”, legt Schoppe uit. “Neurale netwerken hebben dergelijke instructies niet meer nodig. Het is voldoende om ze te trainen door een probleem en een oplossing meerdere keren voor te stellen. De algoritmen herkennen geleidelijk aan de patronen en vinden dan zelf de juiste oplossingen.”
Zelflerende algoritmen trainen
De algoritmen zijn in het AIMOS-project getraind met behulp van scans van muizens. Ze moesten leren om de pixels uit de 3D-scans van het hele lichaam toe te wijzen aan specifieke organen, zoals de maag, de nieren, de lever, de milt of de hersenen. “Gelukkig hadden we toegang tot enkele honderden beelddatasets van muizen uit een ander onderzoeksproject, die allemaal al door twee biologen waren geïnterpreteerd”, vertelt Schoppe. Daarnaast gebruiken de onderzoekers fluorescentiemicroscopische 3D-scans van het Institut für Tissue Engineering and Regenerative Medicine aan het Helmholtz Zentrum in München.
Daar waren wetenschappers er al in geslaagd om al dode muizen volledig te ontkleuren met behulp van een speciale techniek. “De transparante lichamen konden punt voor punt en laag voor laag worden gescand met een microscoop.” De afstanden tussen de meetpunten was slechts zes micrometer. Dat is de grootte van een cel. Biologen hadden ook de organen in deze datasets gelokaliseerd.
Betrouwbaarheid controleren
De nieuwe algoritmen leerden sneller dan verwacht, meldde Schoppe na een presentatie op TranslaTUM. “We hadden maar een tiental full-body scans nodig. Dat was voor de software voldoende om de analyse van de beeldgegevens zelfstandig en binnen enkele seconden uitvoeren. Een mens zou daar uren voor nodig hebben.”
De onderzoekers hebben vervolgens de betrouwbaarheid van deze AI-analyse gecontroleerd met behulp van 200 extra lichaamsscans van muizen. “Het resultaat toont aan dat zelflerende algoritmen niet alleen sneller, maar ook nauwkeuriger zijn dan de mens als het gaat om de evaluatie van biologische beeldgegevens”, aldus Prof. Bjoern Menze van de TUM.
In de toekomst zal de Intelligente Software vooral in het basisonderzoek worden gebruikt. “Beeldgegevens van muizen zijn dringend nodig, bijvoorbeeld om de werkingswijze van nieuwe medicijnen te bestuderen voordat ze bij mensen worden gebruikt. De evaluatie van beeldgegevens met zelflerende algoritmen kan in de toekomst veel tijd besparen”, benadrukt Menze.
Het onderzoek werd gepubliceerd in het tijdschrift Nature.
Ook interessant: AI spoort hersenbloedingen op
Als je dit artikel leuk vindt, lees dan ook:
