LEMMA

Een stap vooruit voor medische beeldvorming

In het afgelopen decennium heeft artificiële intelligentie (AI) de analyse van medische beelden sterk veranderd. AI-systemen behalen vandaag uitstekende resultaten voor tal van diagnostische toepassingen.

Er is echter een belangrijke beperking: Om AI modellen te trainen voor medische beeldvorming zijn grote hoeveelheden gelabelde data nodig. Het verzamelen van dergelijke data is traag en kostbaar, omdat medische experts gedetailleerde annotaties moeten aanbrengen, soms tot op het niveau van de pixels.

Het LEMMA-project wil dit aanpakken door het ontwikkelen van self-supervised learning (SSL)-methoden voor medische beeldvorming, zelflerende systemen dus. In tegenstelling tot meer traditionele benaderingen kunnen zo’n systemen zelf leren uit de data, waardoor de afhankelijkheid van handmatige annotatie sterk vermindert. Daardoor geeft SSL uitzicht op efficiëntere en beter schaalbare AI-modellen voor medische beeldvorming.

LEMMA’s ambitieuze doelstellingen

LEMMA wil de analyse van medische beelden vooral verbeteren voor situaties waar er weinig labels zijn, of waar ze onnauwkeurig zijn. Tegelijk wil het AI-tools makkelijker bruikbaar maken voor nieuwe types medische beelden. De aanpak moet het bovendien mogelijk maken om pathologische regio’s beter te identificeren, om te leren uit herhaalde scans van dezelfde patiënt, en om te bepalen hoe vooraf getrainde modellen het meest efficiënt kunnen worden afgestemd op specifieke toepassingen.

Daarnaast focust LEMMA sterk op verklaarbare AI. Het project ontwikkelt methoden om zichtbaar te maken hoe SSL modellen leren, ontwerpt architecturen die van nature interpreteerbaar zijn, en breidt interpreteerbaarheid uit naar beeld-tekstmodellen. Ook mogelijk vertekende resultaten in medische datasets krijgt bijzondere aandacht, bijvoorbeeld variaties tussen ziekenhuizen, scanners en patiëntengroepen. LEMMA wil, kortom, modellen ontwikkelen die robuuster zijn in realistische klinische omgevingen.

Het project zal verschillende demonstratoren en toepassingen realiseren die de praktische meerwaarde van de innovaties aantonen. Zo zullen nieuwe algoritmen de uitlijning van 3D-tandscans met behulp van 2D-röntgenbeelden verbeteren. Daarnaast ontwikkelt LEMMA een nauwkeurigere segmentatie van tumoren in PET-CT-scans van weefselstalen, robuuste detectie van pathologieën uit röntgenannotaties met ruis, en geavanceerde methoden om hersenatrofie te meten.

Tot slot onderzoekt het consortium de mogelijkheden van modellen die breed inzetbaar zijn voor uiteenlopende taken, zoals segmentatie, objectdetectie, classificatie op CT-scans, en landmarkannotatie, het proces waarbij significante punten in medische beelden (zoals röntgenfoto's, CT-scans of MRI's) nauwkeurig worden gelabeld met coördinaten.

Snellere ontwikkeling van medische AI-tools

Door ze minder afhankelijk te maken van annotaties en door ze breder toepasbaar te maken, zullen de LEMMA tools naar verwachting beter presteren dan de huidige tools die gebaseerd zijn op begeleid leren. Daarnaast kunnen ze de ontwikkelingstijd van AI-modellen met ongeveer 20% verkorten, waardoor nieuwe tools sneller beschikbaar worden en bestaande toepassingen breder inzetbaar worden.

“LEMMA wil de ontwikkelingstijd van medische AI verkorten en bedrijven helpen sneller nieuwe toepassingen op de markt te brengen. Voor artsen betekent dit betrouwbaardere ondersteuning van medische beslissingen; voor patiënten zorgt het voor vroegere en nauwkeurigere diagnoses en uiteindelijk ook betere zorg.”