Artificiële intelligentie
Gebruik van AI in de urologie
Artificiële intelligentie (AI) is niet meer weg te denken uit het dagelijkse leven, en in de hedendaagse geneeskunde is dit evenmin het geval. Ook in het domein van de urologie wordt het gebruik en de meerwaarde ervan erkend.
In de geneeskunde zijn er therapeutische gebieden waar AI al lang is ingeburgerd, denken we maar aan de behandeling van diabetes met behulp van sensoren en pompen, maar ook in de urologie krijgt AI vandaag een eigen plek. Op het meest recente congres van de European Association of Urology (EAU) kwam het onderwerp dan ook uitgebreid aan bod.
AI versus statistiek
Dr. Pieter De Backer (Azorg Aalst) sneed het onderwerp aan door de basisbeginselen uit de doeken te doen en had het over het voeden, trainen, testen en valideren van AI-modellen.
Daar waar in statistische modellen een limiet bestaat in het aantal variabelen, is dit bij AI-modellen bijna onbeperkt en kunnen ze zeer grote (honderden biljoenen parameters) en zeer heterogene datasets verwerken. Ze kunnen daarbij complexe niet-lineaire relaties opmerken die door het menselijke oog niet worden gezien.
De heterogeniciteit laat toe om data van diverse oorsprong en divers formaat met elkaar te combineren. Bij een chirurgische ingreep bijvoorbeeld zijn er preoperatieve data (demografie, medische voorgeschiedenis, comorbiditeiten, laboresultaten, CT/MRI-beelden), intra-operatieve gegevens (video-opnames, details van de gebruikte instrumenten en technieken) en postoperatieve data (histopathologische rapporten, de duur en het verloop van de herstelperiode, de complicaties e.d.).
Wanneer al die zaken in één model worden verwerkt, spreekt men van Multimodel Data Integration en kan daaruit een holistisch beeld van de patiënt worden gedistilleerd, wat op zijn beurt een bron kan zijn om behandelingen in de toekomst bij te schaven en te standaardiseren.
Heelkunde 4.0
Begin vorige eeuw werd er in de urologische heelkunde een eerste grote stap gezet toen de anatomie nauwkeurig werd beschreven. Daarna volgden zaken zoals reconstructieve transplantatie en minimaal invasieve heelkunde. Vandaag stappen we het tijdperk van digitale heelkunde in, oftewel heelkunde 4.0, waarbij data van diverse oorsprong tijdens de ingreep zelf door de robotica naar de cloud worden gestuurd, daar worden gecombineerd, geanalyseerd en verwerkt om teruggestuurd te worden naar de chirurg die zelfs niet meer tot aan de operatietafel moet komen maar alle keuzes en beslissingen vanop afstand kan nemen en zo de robotica aanstuurt.
‘Deep Learning’
Deep learning gaat nog een stap verder, het doet meer dan combineren, analyseren en volgens een vooraf bepaald algoritme beslissingen aanrijken. Deep learning is een geavanceerde vorm van AI die computer- en informatiesystemen in staat stelt te leren van grote hoeveelheden data, en is vergelijkbaar met hoe het menselijk brein werkt.
Deep learning maakt gebruik van artificiële neurale netwerken (ANN's). Dit zijn algoritmen die functioneren zoals de neuronen in onze hersenen. In tegenstelling tot traditionele software hoeft een 'deep learning'-model niet expliciet geprogrammeerd te worden voor elke specifieke regel. Het leert zelfstandig patronen herkennen, bijvoorbeeld in afbeeldingen, geluid of tekst.
AI als voorspellend model
Om deep learning toe te passen vertrekt men vanuit een vraag, aldus dr. De Backer, bijvoorbeeld hoe we best het volume van nierstenen meten. In de praktijk meet maar 3% van de urologen routinematig dit volume, en verschillen de uitkomsten naargelang de gebruikte methode. Nochtans kan deze informatie nuttig zijn om de chirurgische complexiteit en het te verwachten resultaat beter in te schatten. Door de juiste informatie zoals originele CT-beelden (voordat ze geassembleerd worden tot wat wij te zien krijgen) en de specificaties van nierstenen in een AI-model te brengen kan het systeem leren om zelf nierstenen te herkennen, het volume ervan accuraat te berekenen én de exacte samenstelling van de steen te bepalen.
'Vandaag stappen we het tijdperk van digitale heelkunde in, waarbij allerhande data tijdens de ingreep zelf door de robotica naar de cloud worden gestuurd'
AI als diagnostische hulp
Prof. P. Dasgupta (King’s College London) heeft het over AI als diagnostische hulp. De toepassingen zijn divers: zowel bij renale tumoren (waar 30% van de kleinere massa’s benigne is), als bij tumoren van de blaas en prostaat kan AI helpen uitmaken welke goedaardig zijn en dus ter plekke kunnen blijven en welke niet. Hij vermeldt hierbij AutoProstate, een op deep learning gebaseerd systeem voor de beoordeling van prostaatkanker.
AutoProstate maakt gebruik van patiëntgegevens en biparametrische MRI-beelden om een automatisch, webgebaseerd rapport te genereren. Het rapport bestaat uit vier delen: patiëntengegevens, prostaatgrootte en -volume en PSA-densiteit, een overzicht van mogelijke verdachte laesies en een samenvatting. AutoProstate werd getraind door gebruik te maken van de publiek beschikbare PROSTATEx-dataset, en werd gevalideerd door middel van de PICTURE-dataset.
AI in urologische chirurgie
Computerondersteunde interventies hebben het potentieel om de moderne chirurgie ingrijpend te veranderen. In een operatiekamer is een weelde aan data aanwezig: de aanwezige instrumenten en medical devices, het endoscopiescherm, de beeldvorming, de verlichting, de anesthesieapparatuur enz. Idealiter moet al deze informatie geïntegreerd worden in één model.
Een van de problemen bij bestaande AI-modellen is het ontbreken van een temporale modeling (d.w.z. een model dat rekening houdt met de factor tijd) wat resulteert in een onvolledig ruimtelijk-temporeel begrip. Om hieraan tegemoet te komen werd SurgVISTA (Surgical Video-level Spatial-Temporal Architecture) ontwikkeld waarbij een uitgebreide chirurgische videodataset bestaande uit 3.650 video’s en 3,55 miljoen frames werd gebruikt en dat meer dan twintig chirurgische procedures omvat.
Een blik vooruit
Het delen van patiëntendata blijft een delicate zaak, maar wat wel kan is dat verschillende centra gebruikmaken van dezelfde modellen, daar hun patiëntengegevens in opladen en dat de resultaten daarvan gedeeld worden. Op die manier kunnen modellen van elkaar leren en meer performant worden. Dit is waar we volgens prof. A. Dekker (Universiteit Maastricht) naartoe moeten en waar DigiOne een goed voorbeeld van is.
Digital Oncology Network for Europe (DigiONE) is een Europees proefproject met als doel optimale kankerbehandelingen te identificeren door te leren van elke patiënt, en niet enkel van degenen die aan klinische studies deelnamen. Hiervoor kan AI gebruikt worden, maar enkel als het systeem gevoed wordt met gedetailleerde en vergelijkbare informatie uit de dagelijkse zorg.
Referenties:
1. Mehta P, Antonelli M, Singh S, et al.. AutoProstate: Towards Automated Reporting of Prostate MRI for Prostate Cancer Assessment Using Deep Learning. Cancers (Basel). 2021 Dec 6;13(23):6138. doi: 10.3390/cancers13236138.
2. Yang S, Zhou F, Mayer L, et al. Large-scale self-supervised video foundation model for intelligent surgery. NPJ Digit Med. 2026 Feb 4;9(1):220. doi: 10.1038/s41746-026-02403-0.
3. Mahon P, Chatzitheofilou I, Dekker A, et al A federated learning system for precision oncology in Europe: DigiONE. Nat Med. 2024 Feb;30(2):334-337. doi: 10.1038/s41591-023-02715-8. PMID: 38195748.
