Supercomputer Lyra (ULB)

Sneller diagnostisch onderzoek dankzij AI-berekeningen

Op 21 januari opende het CECI (Consortium des équipements de calcul intensif) – ULB officieel zijn nieuwe datacenter DC-A6K in Charleroi. Het centrum huisvest de nieuwe supercomputer Lyra, gespecialiseerd in berekeningen op basis van artificiële intelligentie. De toepassingen variëren van geneeskunde tot meteorologie.

"Het nieuwe datacenter, met een medefinanciering van 1,7 miljoen euro door Wallonië, bevat de data van de ULB die vroeger opgeslagen waren op de ‘oude’ Solbosch-campus in Brussel uit de jaren ’70. Het centrum herbergt ook de supercomputer die specifiek voor AI-toepassingen ontworpen is," verduidelijkt ULB-rector Annemie Schaus (foto).

De supercomputer is open source, en kan worden gebruikt door alle universiteiten van de Franse Gemeenschap, maar ook door private bedrijven en onderzoekscentra. Het project betekent een belangrijke stap richting "digitale soevereiniteit voor" Wallonië-Brussel. Het datacenter zal zich in belangrijke mate richten op toepassingen in de gezondheidszorg en geneeskunde.

Tier-2-supercomputer

Lyra behoort tot de Tier-2-categorie en beschikt over 23 rekenknooppunten en 46 grafische processors (GPU’s). De toepassingen zijn uiteenlopend: verfijnde medische diagnoses op basis van beeldvorming, identificatie van nieuwe moleculen voor innovatieve geneesmiddelen, modellering van eiwitstructuren, meteorologie, autonome robots, enz.

Ook het digitale platform Hyperion, dat de onderzoeksdata van de ULB beheert, maakt integraal deel uit van het nieuwe datacenter in Charleroi.

“We hebben een IT-infrastructuur opgezet die geïnspireerd is op hyperscalers zoals de datacenters van Amazon, Google of Microsoft Azure, maar dan op mensenmaat,” legt Raphaël Leplae, directeur van de ULB-technologiepool, uit.

De supercomputer is beveiligd tegen stroomonderbrekingen via een batterijensysteem dat enkele minuten autonomie biedt, tot de dieselgenerator opstart.

De warmte die het rekencentrum genereert wordt hergebruikt om de kantoren van gebouw A6K te verwarmen. Dit gebouw, gelegen aan de oevers van de Samber, wordt momenteel nog volop verbouwd - en is nu nog ijskoud, zoals we konden vaststellen.

AI ten dienste van pathologie en diagnose

Egor Zindy, bioloog en informaticus aan het Centrum voor Microscopie en Moleculaire Beeldvorming van de ULB, lichtte twee onderzoeksassen toe. Enerzijds gebruikt hij ‘kant-en-klare’ AI-modellen voor de analyse van biomedische beelden; anderzijds ontwikkelt hij eigen AI-tools in het kader van een Waals FEDER-project.

“Ons doel is duidelijk: pathologen en clinici ondersteunen – niet vervangen. We ontwikkelen hulpmiddelen voor onderzoek en diagnose die hun analytische capaciteiten versterken.”

Als voorbeeld toont hij een pancreasbiopt met kankercellen. “In het blauw zie je de celkernen. Op één gedigitaliseerde beeldplaat zitten tienduizenden cellen. Het is belangrijk om die collectief te kunnen analyseren: hun organisatie, interacties en onderlinge positie.”

Aan de hand van biomarkers kunnen verschillende celtoestanden worden gekarakteriseerd. “In dit voorbeeld geven twee markers aan of kankercellen zich in een stabiele toestand bevinden of in een migrerende – dus agressievere – toestand. Sommige cellen tonen beide markers tegelijk. Ze zijn zeldzaam, maar potentieel doorslaggevend. Het is cruciaal te begrijpen waar ze in de tumor voorkomen.”

Zulke analyses worden uitgevoerd over meerdere coupes per tumor, maar ook over cohorten van tientallen tot honderden patiënten. De hoeveelheid beelddata is enorm, benadrukt Zindy.

De sleutelrol van intensieve berekeningen

Dergelijke berekeningen kunnen op gewone computers worden uitgevoerd, maar zijn veel efficiënter wanneer ze worden doorgestuurd naar een supercomputer die parallelle berekeningen uitvoert op GPU’s.

“De eerste stap is het detecteren van de cellen, niet enkel hun kern, maar hun volledige vorm. Daarvoor gebruiken we een neuraal netwerk dat getraind werd op honderdduizenden cellen. Zo kunnen we met grote precisie cellen herkennen in weefsel. Daarna voegen we de informatie van de biomarkers toe – rood, groen of gecombineerd – om beelden te vergelijken vóór en na behandeling, of verschillen te analyseren die te maken hebben met de genetische profielen van patiënten.”

Concreet verloopt het proces zo: “De patholoog werkt aan zijn gebruikelijke werkstation. De beelden worden in kleine 'tegels' verdeeld en automatisch naar het rekencentrum gestuurd. Daar worden de analyses uitgevoerd en teruggestuurd: cel-segmentatie of een schatting van de kans op kanker."

"De AI analyseert onder meer beeldtexturen en genereert een ‘heatmap’ met waarschijnlijkheden. Voor de gebruiker is het enige verschil de snelheid van de berekening.” 

Naar een beter inzicht in ziekte

Deze benadering draagt bij tot een beter begrip van ziekten zoals kanker en van de effecten van behandelingen. Ze vormt een krachtig onderzoeksinstrument met meerwaarde voor de klinische praktijk.

Zindy presenteerde ook een project rond prostaatkanker. “In tegenstelling tot de vorige projecten, die gebruikmaken van bestaande open-source-AI’s, willen we hier een eigen AI ontwikkelen. Het doel is een vroege detectie van prostaatkanker met minder dure technologie dan sommige huidige oplossingen, die niet in alle ziekenhuizen beschikbaar zijn. Opnieuw gaat het er niet om clinici te vervangen, maar hen te ondersteunen bij diagnose en biopsiekeuze.”

De ULB werkt met micro-echobeelden, een verfijndere techniek dan klassieke echografie. “Het grote voordeel is dat de biopsie exact gekoppeld kan worden aan het beeld waarop ze gebaseerd is. De stalen worden vervolgens geanalyseerd door histopathologielaboratoria, onder meer door CurePath.”

Afhankelijk van het resultaat volgen verschillende klinische beslissingen: opvolging, verwijdering van de prostaat, radio- of chemotherapie.

Klinische intuïtie modelleren met AI

Artsen gebruiken soms visuele metaforen – zoals “Zwitserse kaas” of “bloemkool” – om goedaardige of pathologische stadia van een ziekte te beschrijven.

“Ons doel is om die intuïtie via AI te reproduceren. In tegenstelling tot louter visuele gelijkenissen beschikken we over een objectieve referentie: het anatomopathologische resultaat van de biopsie die exact op die plaats is genomen."

"We willen een verband leggen tussen beeld, diagnose en risiconiveau om in real time verdachte zones op echobeelden te markeren. Dat helpt de arts bij diagnose of bij het bepalen van de biopsieplaats.”

“Zonder Lyra zou dit niet mogelijk zijn,” besluit Zindy. De geanalyseerde videosequenties bevatten zo'n 30 beelden per seconde – zware, complexe en informatie-rijke data.

 “Waarde uit deze beelden halen, AI's trainen, testen, falen, opnieuw beginnen en data toevoegen: dat kan alleen op deze schaal, met een performant rekencentrum. Het is een onmisbaar instrument om op een iteratieve en rigoureuze manier met grote hoeveelheden data te werken.”