Artificiële intelligentie krijgt stilaan een nieuwe rol in de strijd tegen borstkanker. Niet als vervanger van radiologen of oncologen, maar als technologie die artsen sneller informatie kan geven, onderzoeken toegankelijker kan maken en behandelingen nauwkeuriger kan afstemmen op de individuele patiënt.
Verschillende startups binnen het Inception-programma van NVIDIA werken inmiddels aan AI-oplossingen die bijna het volledige zorgtraject bestrijken: van screening en beeldvorming tot risicoanalyse, behandelkeuze en het voorspellen van herval. Daarmee verschuift AI van een experimentele technologie naar een mogelijke extra laag binnen de dagelijkse kankerzorg.
From Scan to Treatment Plan, AI Helps Close Breast Cancer’s Deadliest GapsNVIDIA Inception companies are applying AI to each stage of the breast cancer care journey — imaging, risk assessment and treatment decisions. |
Een zorgsysteem dat steeds meer onder druk komt
Die technologische versnelling komt niet toevallig. Alleen al in de Verenigde Staten worden jaarlijks ongeveer 40 miljoen mammografieën uitgevoerd. Tegelijk dreigt het tekort aan radiologen de komende jaren verder op te lopen.
Aan de andere kant van het zorgtraject speelt een ander probleem: snelheid. Wanneer borstkanker wordt vastgesteld, kunnen bepaalde genomische onderzoeken die nodig zijn om een behandeling te bepalen weken in beslag nemen.
AI-bedrijven proberen precies tussen die twee knelpunten ruimte te creëren. Ze willen onderzoeken automatiseren, radiologen ondersteunen en medische gegevens sneller omzetten in bruikbare informatie voor behandelteams.
Een volledige borstscan in enkele minuten
Een voorbeeld daarvan komt van iSono Health. Het bedrijf ontwikkelde ATUSA, een door de Amerikaanse FDA goedgekeurd draagbaar systeem voor geautomatiseerde kwantitatieve 3D-echografie.
Het systeem kan volgens het bedrijf een gestandaardiseerd borstvolume vastleggen in ongeveer twee minuten per borst. Bij traditionele handmatige echografie kan een onderzoek tot ongeveer 45 minuten duren.
De AI achter het systeem werd getraind op duizenden volledige borstscans, samen goed voor meer dan 1,5 miljoen echografiebeelden. NVIDIA-GPU's helpen bij de verwerking. Volgens iSono Health levert het systeem een 3D-scan die 28 procent gevoeliger is dan handmatige 2D-echografie.
Een belangrijk voordeel zit bovendien in de standaardisering. Bij een klassieke echografie is het resultaat deels afhankelijk van de persoon die de sonde vasthoudt. Een geautomatiseerd systeem kan de borst telkens op dezelfde manier scannen. Daardoor ontstaat potentieel een beter vergelijkingspunt tussen opeenvolgende onderzoeken.
iSono Health werkt ondertussen ook aan AI voor het detecteren, segmenteren en classificeren van letsels. De ambitie gaat verder: uiteindelijk wil het bedrijf informatie uit 3D-echografie, mammografie, MRI en klinische gegevens samenbrengen in één diagnostische intelligentielaag. Een multicenterstudie met 3.200 patiënten moet de technologie verder valideren.
AI helpt zoeken naar die ene afwijking
Ook Whiterabbit.ai richt zich op de screeningfase. Het bedrijf ontwikkelde WRDensity, software die automatisch de borstdichtheid op mammografieën beoordeelt en volgens NVIDIA al bij de zorg voor honderdduizenden patiënten werd ingezet.
Daarnaast ontwikkelde het bedrijf WRRisk, software die het langetermijnrisico op borstkanker helpt inschatten. Tegelijk wordt gewerkt aan een nieuwe generatie AI voor mammografie die radiologen moet ondersteunen bij het opsporen van kanker en mogelijk een deel van de negatieve onderzoeken automatisch kan verwerken.
Dat kan belangrijk worden in een omgeving waarin radiologen enorme hoeveelheden beelden moeten beoordelen. Volgens Whiterabbit.ai komt de uitdaging neer op het vinden van ongeveer één kankerdiagnose per 200 mammografieën.
AI moet daarbij vooral fungeren als een slimme assistent: routinegevallen sneller verwerken en de aandacht van specialisten richten op beelden waarop hun expertise het hardst nodig is.
Niet alleen kanker vinden, maar ook voorspellen wat werkt
Na een diagnose verandert de vraag. Dan gaat het niet langer alleen om de aanwezigheid van een tumor, maar vooral om de behandeling die de grootste kans op succes biedt.
Ataraxis AI probeert AI daarom in te zetten om behandelrespons en het risico op herval te voorspellen. De modellen analyseren digitale pathologiebeelden samen met bestaande klinische gegevens.
Een model voorspelt bijvoorbeeld of chemotherapie vóór een operatie waarschijnlijk voldoende effect zal hebben om een tumor te verkleinen. Een ander model schat na de operatie het risico op herval binnen vijf jaar en het mogelijke voordeel van chemotherapie in.
Volgens NVIDIA zijn beide modellen gevalideerd bij meer dan tien instellingen en binnen verschillende klinische studies en worden ze inmiddels klinisch gebruikt.
Dat wijst op een bredere evolutie binnen medische AI. De technologie probeert niet langer uitsluitend afwijkingen op beelden te herkennen. Ze wordt steeds vaker ontwikkeld om de volgende medische vraag te beantwoorden: wat betekent deze informatie voor deze specifieke patiënt?
Tumoren bekijken als driedimensionale modellen
SimBioSys benadert hetzelfde probleem vanuit een andere hoek. Het bedrijf bouwt met AI driedimensionale modellen van borsttumoren, bloedvaten en ander zacht weefsel.
Die visualisaties moeten artsen extra informatie geven voor operaties en behandelplannen. Daarnaast ontwikkelde het bedrijf technologie die het risico op terugkeer van borstkanker probeert te bepalen op basis van onder meer 3D-data uit MRI-scans, tumorpathologie en klinische informatie.
Het uiteindelijke doel is multimodale geneeskunde: niet langer elk onderzoek afzonderlijk bekijken, maar beeldvorming, pathologie, genetische tests en andere biologische informatie door AI gezamenlijk laten analyseren.
De echte kracht zit in het combineren van gegevens
Precies daar lijkt een van de belangrijkste ontwikkelingen voor de komende jaren te liggen. Een mammografie vertelt iets. Een MRI vertelt iets anders. Pathologie en genetische analyses voegen opnieuw andere informatie toe.
Vandaag bevinden die gegevens zich vaak in verschillende systemen en worden ze op verschillende momenten beoordeeld. AI kan in theorie patronen ontdekken over al die informatie heen en zo verbanden zichtbaar maken die moeilijker uit één afzonderlijke databron zijn af te leiden.
Voor NVIDIA is daar vanzelfsprekend ook een infrastructuurverhaal aan verbonden. De verschillende startups gebruiken GPU's en technologieën zoals CUDA, CUDA-X en MONAI voor het trainen, valideren en uitvoeren van hun modellen. De hoeveelheid medische beelddata maakt krachtige rekeninfrastructuur steeds belangrijker.
Van AI-diagnose naar een AI-ondersteund zorgtraject
De ontwikkeling laat vooral zien dat medische AI breder wordt. Het gaat niet meer om één algoritme dat op één scan naar één aandoening zoekt.
Er ontstaat een keten waarin verschillende AI-systemen elk een deel van het zorgtraject ondersteunen: screening toegankelijker maken, beelden analyseren, risico's berekenen, tumoren visualiseren, behandelrespons voorspellen en artsen helpen bepalen welke therapie het meest geschikt lijkt.
Daarmee verandert ook de rol van AI. De technologie schuift op van beeldherkenning naar klinische beslissingsondersteuning. De arts blijft daarbij centraal staan. Maar rond die arts ontstaat een steeds krachtigere digitale gereedschapskist die enorme hoeveelheden medische informatie sneller kan verwerken.
Voor patiënten kan uiteindelijk vooral één factor het verschil maken: tijd. Sneller gescreend worden, sneller duidelijkheid krijgen en sneller tot een gerichte behandeling komen, kan bij kanker van doorslaggevend belang zijn.
De technologie bevindt zich echter niet overal in dezelfde ontwikkelingsfase. NVIDIA benadrukt zelf dat bepaalde beschreven toepassingen nog experimenteel zijn en niet door de Amerikaanse FDA zijn goedgekeurd voor commercieel gebruik.
