Hoe weet je of een kankerbehandeling aanslaat? In de praktijk kijken artsen nu vaak naar de grootte van een beperkt aantal tumoren op CT-scans. Maar bij patiënten met uitgezaaide darmkanker in de lever geeft dat niet altijd het volledige beeld. Onderzoeker Michiel Zeeuw werkt aan een nauwkeurigere manier van meten: totaal tumorvolume. Daarbij wordt niet alleen gekeken naar een paar doorsnedes van tumoren, maar naar de volledige hoeveelheid tumorweefsel in de lever. Met behulp van kunstmatige intelligentie wordt deze benadering praktisch toepasbaar.
Voor everywhereIM is Michiels onderzoek een mooi voorbeeld van hoe AI in de zorg van meerwaarde kan zijn wanneer technologie, medische expertise en implementatie samenkomen. Eerder dit jaar verzorgde Michiel samen met everywhereIM en Garansys een AI-training voor studenten van Stichting Denktank Gezond Verstand. Daar gaf hij een presentatie over zijn onderzoek als concreet voorbeeld van AI-toepassing in de zorg. Daarnaast ondersteunt everywhereIM zijn onderzoek als sponsor. We spraken Michiel over zijn onderzoek, de rol van AI en de stap van veelbelovend model naar bruikbare technologie in de dagelijkse zorg.
Jullie onderzoek draait om totaal tumorvolume. Wat houdt dat precies in?
“Op dit moment gebruiken we in de kliniek vooral de zogenoemde RECIST-criteria. Daarbij meten we de grootste diameter van een beperkt aantal tumoren. Op basis daarvan bepalen we of een behandeling aanslaat. Maar dat is eigenlijk een vrij grove benadering. Tumoren zijn driedimensionaal en patiënten hebben vaak meerdere uitzaaiingen. Met totaal tumorvolume meten we de volledige hoeveelheid tumorweefsel in de lever. Dat geeft een veel realistischer beeld van de werkelijke tumorlast.”
Waarom is dat verschil zo belangrijk?
“Zeker bij patiënten met meerdere leveruitzaaiingen kan het veel uitmaken hoe je meet. In onze studies zagen we dat zowel het tumorvolume aan het begin van de behandeling als de verandering daarin tijdens therapie sterk samenhangt met hoe het met patiënten gaat. Denk aan overleving en de kans dat de ziekte snel terugkomt. Wat opvallend was: de huidige standaard, RECIST, had in deze patiëntgroep nauwelijks voorspellende waarde. Dat suggereert dat we met de huidige manier van meten mogelijk belangrijke informatie missen.”
Waarom gebruiken artsen die methode dan nog steeds?
“Vooral omdat deze eenvoudig is. Het meten van een paar diameters op een scan is relatief snel te doen en wordt al heel lang gebruikt. Het probleem met totaal tumorvolume is dat het handmatig ontzettend veel werk is. Je moet alle tumoren intekenen op CT-scans. In de dagelijkse praktijk is dat nauwelijks haalbaar. En precies daar komt kunstmatige intelligentie in beeld.”
Hoe helpt AI hierbij?
“We hebben een AI-model ontwikkeld dat tumoren automatisch kan herkennen en intekenen op CT-scans. Op basis daarvan kan het systeem het totale tumorvolume berekenen. In eerste instantie werkte het model goed in de dataset waarop het was getraind. Maar toen we het testten op een andere patiëntgroep, zagen we dat de prestaties duidelijk afnamen. Dat liet zien hoe belangrijk het is om AI-modellen goed en breed te valideren.”
Dat is een bekend probleem bij medische AI, toch?
“Klopt. Veel AI-modellen in de medische literatuur worden ontwikkeld op relatief kleine datasets uit één centrum. Vaak ontbreekt externe validatie. Dan lijkt een model veelbelovend, maar weten we nog niet of het ook werkt in andere ziekenhuizen, met andere scanners, patiëntgroepen en werkwijzen. Daarnaast worden veel modellen nog niet echt getest in de klinische praktijk of geïntegreerd in bestaande workflows. Dat is een belangrijke reden waarom AI nog maar beperkt wordt gebruikt in de zorg.”
Hoe hebben jullie dat aangepakt?
“We hebben een verbeterd model ontwikkeld: het COALA-model. Daarbij hebben we data van meerdere radiologen gebruikt. Normaal gesproken tekent één radioloog de tumoren in, maar daar zit altijd variatie in. Door de annotaties van drie radiologen te combineren met een speciaal algoritme, konden we een betrouwbaardere ‘ground truth’ maken: een sterkere referentiestandaard waarop het model leert. Dat verbeterde de prestaties van het model aanzienlijk, ook in externe datasets.”
Jullie hebben het model ook echt in de praktijk getest. Waarom was dat belangrijk?
“Dat vonden we cruciaal. We hebben het model geïntegreerd in het PACS-systeem: de software die radiologen dagelijks gebruiken om scans te bekijken. Daarna hebben we samen met radiologen evaluatiesessies georganiseerd. Zij konden het model gebruiken en direct feedback geven. Dat leverde waardevolle inzichten op. Zo zagen we bijvoorbeeld dat kleinere tumoren en tumoren aan de rand van de lever nog lastig zijn voor het model.”
Hoe reageerden de radiologen?
“Over het algemeen positief. Ze vonden het systeem gebruiksvriendelijk en zagen de meerwaarde, vooral omdat het tijd kan besparen en extra informatie geeft over de tumorlast. Maar minstens zo belangrijk was dat ze concrete verbeterpunten aandroegen. Als je een AI-model echt wilt implementeren, moet je niet alleen naar technische prestaties kijken. Je moet ook weten wat zorgprofessionals nodig hebben in hun dagelijkse workflow.”
Wat kan dit uiteindelijk betekenen voor patiënten?
“Het doel is dat we behandelingen nauwkeuriger kunnen volgen en beter kunnen voorspellen wat voor een individuele patiënt werkt. Als je eerder en preciezer ziet hoe de tumorlast verandert, kun je ook beter onderbouwde behandelkeuzes maken. Dat kan helpen om zorg persoonlijker te maken. Niet alleen voor deze patiëntgroep, maar mogelijk ook voor andere vormen van kanker.”
Hoe kijk je naar de toekomst van AI in de zorg?
“Ik denk dat we toegaan naar een situatie waarin we veel nauwkeuriger en persoonlijker kunnen meten en voorspellen. Niet alleen bij uitgezaaide darmkanker in de lever, maar mogelijk bij veel soorten kanker. De technologie is er al. De uitdaging zit nu vooral in goed valideren, implementeren en integreren in de dagelijkse zorg. Als dat lukt, kunnen we echt betere keuzes maken voor individuele patiënten.”
Van onderzoek naar toepassing in de zorg
Voor everywhereIM laat Michiels onderzoek goed zien waar de kracht én de uitdaging van AI in de zorg liggen. De technologie kan helpen om complexe medische informatie sneller en nauwkeuriger inzichtelijk te maken. Tegelijkertijd vraagt succesvolle toepassing om zorgvuldige validatie, aansluiting op bestaande werkprocessen en samenwerking met zorgprofessionals. Juist op dat snijvlak van zorg, data en digitale innovatie zet everywhereIM zich in. Door Michiels onderzoek te ondersteunen en kennis hierover te delen met jonge denkers en toekomstige zorgvernieuwers, dragen we bij aan technologie die niet alleen veelbelovend is, maar uiteindelijk ook bruikbaar wordt in de praktijk.
