Mensen zijn in veel radiodiagnostische taken nog altijd beter dan computers, maar er zijn ook gebieden waarin AI de mens ontegenzeggelijk verslaat. Eén daarvan is het zeer nauwkeurig meten van tumorgroei. Hiervoor is het wel nodig dat data uit het EPD en PACS worden samengebracht in één omgeving waar de berekeningen plaatsvinden. IHE-profielen maken dit mogelijk.

Al decennialang werken artsen op dezelfde manier: op basis van de anamnese stellen ze een hypothese en daarna verzamelen ze data om die hypothese te bevestigen of verwerpen. De komst van AI zal dit proces omkeren. Voor het eerst is het mogelijk om simpelweg maar zoveel mogelijk data te vergaren en die aan een AI-model te voeden, waarna het model terugkomt met de diagnose.

Hoe dit in de praktijk gaat werken, onderzocht Kevin Groot Lipman als PhD en later technische geneeskundige in een project naar betere diagnostiek en behandeling van longvlieskanker. Bij NKI-AVL leidt hij momenteel de AI-implementatie bij de cluster Imaging. Hij vertelt: “Longvlieskanker is een relatief zeldzame ziekte, maar wel een ziekte waar de meeste patiënten binnen vijf jaar aan overlijden. Er zijn meerdere levensverlengende therapieën. Wij wilden onderzoeken of we met hulp van een AI-model eerder zouden kunnen zeggen wat het effect is van een therapie, zodat we patiënten niet onnodig lang door behandelen.”

3D-visualisatie van tumor
Het normale traject bij vrijwel alle kankerpatiënten is dat ze eerst een baseline scan krijgen. Dan start de behandeling en krijgen ze een x aantal weken later een tweede scan om te zien of de kanker groeit of juist in remissie is. Hiervoor wordt bij de tumor die op de scan te zien is de diameter op een aantal specifieke punten gemeten. De plek waar je gaat meten is heel bepalend voor de uitkomst van die meting, want een tumor groeit nooit op alle plekken even hard. Het is zelfs zo dat slechts in 50 procent van de gevallen radiologen het eens zijn over het meetresultaat.

Groot Lipman gebruikte in zijn onderzoek daarom een andere methode om kankergroei te meten. In plaats van op drie punten een laesie te meten, liet hij een AI-model van iedere pixel op een scan bepalen of het tumorweefsel betreft of niet. Het AI-model labelt dus alle pixels en bouwt zo een 3D-visualisatie op van de volledige tumor. De computer kan vervolgens het totale tumorvolume berekenen; een berekening waar onder radiologen geen enkele discussie over is.

Dit in tegenstelling tot de RECIST-criteria, die al 25 jaar door radiologen wereldwijd worden gebruikt om tumorrespons op een therapie te bepalen, maar waar vraagtekens bij te plaatsen zijn. Het 3D-model van de tumor neemt die vraagtekens weg en laat op ondubbelzinnige wijze zien of een tumor al dan niet reageert op een bepaalde behandeling. 

Geavanceerde IT-omgeving
Zo’n 3D-visualisatie is iets wat iedere radioloog en oncoloog liever vandaag dan morgen zou willen toepassen; niet alleen bij longvlieskanker, maar bij alle kankersoorten. Daar is eerst nog meer wetenschappelijk onderzoek voor nodig; onderzoek dat dient als basis voor de ontwikkeling van AI-modellen. Maar dat gaat snel.

Minder snel gaat de uitrol van nieuwe AI-toepassingen naar de dagelijkse klinische praktijk. En dat komt omdat er een geavanceerde IT-omgeving nodig is, zegt Groot Lipman. “Wij gebruiken een datalakehouse in een private cloud, dat automatisch alle data vanuit het EPD en het PACS binnenhaalt. De workflow die we uitvoeren is namelijk te complex om op de inhouse IT-omgeving van het ziekenhuis te doen.”

Voor het longvlieskankeronderzoek stelde het team van Groot Lipman het datalakehouse zo in dat op basis van patiëntgegevens in het EPD de juiste patiënten werden geselecteerd. Daar werden vervolgens de longscans bij gezocht. “Wij kwamen er echter achter dat de protocollen scans vaak metadateren met ‘body vol.’ Dan weet je op basis van de metadata niet welk lichaamsdeel op de scan staat. Wij hebben alleen de longscans nodig. Daarom hebben wij een ‘task force’ opgezet met een aantal laboranten die alle protocollen op de CT-scanners stuk voor stuk opnieuw hebben gemetadateerd. De metadata geven nu aan welk lichaamsdeel op de scan staat, zodat we – als we dit concept straks opschalen naar andere ziektebeelden – snel de juiste scans bij de juiste patiënt kunnen selecteren.”

Eenduidige beslissing over al dan niet doorbehandelen
Als het AI-model (dat in het datalakehouse draait) de tumor in beeld heeft gebracht en het volume heeft gemeten, worden de resultaten teruggestuurd naar de viewer, welke inzichtelijk is via het EPD. Die geeft de beoordeling van de scans weer als een grafiek met op de Y-as het volume van de tumor in milliliter en op de X-as de tijd. Een verticale stippellijn geeft aan wanneer een nieuwe behandeling is gestart. Groot Lipman: “Je hoeft nu geen medisch specialist te zijn om te zien of een behandeling effect heeft en wanneer een tumor weer begint te groeien. Dat maakt het gesprek tussen arts en patiënt over doorbehandelen eenvoudiger en de beslissing eenduidiger.”

Uit dit project met longvlieskanker kwam bijvoorbeeld duidelijk naar voren dat de vorige diametermethode ervoor zorgden dat er regelmatig te lang doorgegaan werd met een behandeling die in eerste instantie wel effect had, maar waarvan dat effect aan het afvlakken was of zelfs al geheel teniet was gedaan. “Dat kost niet alleen heel veel geld, maar het gaat ook ten koste van de kwaliteit van leven van de patiënt”, zegt Groot Lipman.

Het artikel over dit onderzoek is heel onlangs gepubliceerd in Lancet Oncology: https://www.thelancet.com/journals/lanonc/article/PIIS1470-2045(26)00084-7/abstract

Gebruik IHE-profielen
Hij heeft twee adviezen voor ziekenhuizen die in de toekomst eenzelfde omgeving willen bouwen. “In de eerste plaats: investeer in data-infrastructuur en datakwaliteit. Wij moesten alle scans opnieuw metadateren. Dat kost enorm veel tijd, maar die tijd winnen we later terug. Vaak is goede ‘registratie aan de bron’ een discussiepunt, aangezien het extra tijd kost. Als het nut daarvan duidelijk is voor (para)medisch personeel, dan zagen we dat zij welwillend waren hierin hun tijd te investeren.”

En het tweede advies: gebruik IHE-profielen voor de data-uitwisseling tussen de systemen. Groot Lipman en zijn collega’s hebben drie profielen toegepast: AIW-I (AI Workflow for Imaging), AIR (AI Results) en AIRA (AI Results Assessment). De laatste twee standaardiseren de AI-output, zodat ieder PACS (zolang het profiel ook ondersteund wordt) de resultaten op dezelfde manier kan weergeven en interpreteren. AIW-I zorgt ervoor dat de workflows met AI op een gestandaardiseerde manier werken, zoals dat nu ook het geval is voor algemene radiologie.

Groot Lipman: “Als iedereen deze profielen gebruikt, dan kunnen we straks eenvoudig AI resultaten uitwisselen, zowel binnen de eigen PACS/RIS-omgeving als naar externe systemen. Neem deze profielen dus mee in de inkoopvoorwaarden. Het zou echt een gemiste kans zijn als ziekenhuizen en leveranciers hun eigen interfaces bouwen, want dat staat gestandaardiseerde data-uitwisseling in de weg. Buiten dat: door IHE-profielen te gebruiken, bespaar je ook gewoon veel tijd, want je hoeft het wiel niet opnieuw uit te vinden”, zegt Groot Lipman.

Nieuw tijdperk
We treden een nieuw tijdperk binnen waarin het werk van radiologen in de oncologie voorgoed gaat veranderen, denkt Groot Lipman. “Veel radiologen zien de diametermetingen bij tumoren als tijdrovende en administratieve last, en we ondersteunen ze daar graag in. Ik voorzie dat er al vrij snel radiologische Vision-Language Models komen waaraan de radioloog kan vragen: ‘kun je van die en die laesie het volume voor me bepalen?’ De volgende stap is dat een radioloog die vraag niet eens meer hoeft te stellen; het model bepaalt van alle laesies het volume uit zichzelf en ‘draft’ het radiologieverslag. Het duurt nog wel even voordat we voor alle kankersoorten zo’n 3D-visualisatiemodel hebben ontwikkeld, maar dat komt er natuurlijk wel aan. Hoe dan ook: veel tijdrovende handmatige werkzaamheden vallen weg. Radiologen krijgen daardoor een andere rol, veel inhoudelijker en strategischer.” Dat is ook nodig omdat zowel het aantal oncologiepatiënten als het aantal scans per patiënt sneller groeit dan radiologen momenteel kunnen bijbenen.

Maar in het nieuwe tijdperk zal niet alleen de rol van de radioloog opnieuw gedefinieerd worden, we zullen alles moeten heroverwegen, zegt Groot Lipman. “In het verleden wilden we zo min mogelijk data verzamelen vanuit het idee dat een teveel aan data die niet relevant zijn voor de beste beslissing alleen maar ruis veroorzaken. Die tijd is voorbij, omdat AI veel beter dan mensen in staat is om patronen te ontdekken in hele grote hoeveelheden data. Het motto wordt nu omgekeerd: verzamel zoveel mogelijk data, want daarin kunnen patronen zitten die de zorg voor de patiënt kunnen verbeteren.. Vaak kunnen we die data kunnen we niet langer goed gestructureerd in-house opslaan, en we moeten gebruikmaken van de cloud en dit op een veilige manier inrichten.” 

Tot slot zal secundair gebruik van data een vlucht gaan nemen, want we hebben simpelweg heel veel patiëntdata nodig om AI-modellen te trainen, zegt Groot Lipman. “Ook hiervoor geldt weer dat data op een gestandaardiseerde manier moeten kunnen worden uitgewisseld. Ook daarin kunnen IHE-profielen een rol spelen.” Net als de EHDS, waarvan de data-uitwisselingsspecificaties in het voorjaar van 2027 bekend worden.

Ben jij werkzaam in het vakgebied AI en imaging en wil je meebouwen aan nieuwe profielen? Sluit je dan aan bij de AI Interest Group for Imaging (AIGI). Deze task force van IHE Europe werkt aan een gestandaardiseerde en overal toepasbare data workflow voor AI-toepassingen.