Data without pizza #3: een lezing over AI in gezondheid door Peter Szolovits

Het visioen uit de jaren 70

Szolovits is een pionier op het gebied van AI in de geneeskunde, hij werkt er al sinds de jaren zeventig en zijn lezing ging over de geschiedenis van de ontwikkeling van AI-toepassingen in de gezondheidszorg. “Mijn start op dit gebied begon echt toen ik in 1974 lid werd van de faculteit van het MIT en ik ontmoette Bill Schwartz, hoofd geneeskunde bij Tufts Medical Center,” vertelde hij ons. William B Schwartz had in 1970 een vooruitziend artikel gepubliceerd in de New England Journal of Medicine waarin hij zijn visie uiteenzette over hoe de snel voortschrijdende informatiewetenschappen enorme veranderingen zouden doorvoeren in de manier waarop de geneeskunde wordt beoefend. “Ik vond dit behoorlijk inspirerend,” zei Szolovits, “en besloot dat ik me met mijn achtergrond in kunstmatige intelligentie wilde concentreren op de specifieke problemen van AI zoals die worden toegepast op de geneeskunde.”

Computers als ondersteuningstools

Schwartz’ voorspellingen omvatten het idee dat computers zouden functioneren als een intellectueel hulpmiddel – een hulpmiddel om artsen te ondersteunen door kennis te nemen van de geschiedenis, fysieke bevindingen, laboratoriumgegevens en andere factoren en de meest waarschijnlijke diagnoses en passende reacties te suggereren. Dit zou, in de visie van Schwartz, artsen vrijlaten om zich te concentreren op de taken die “uniek menselijk” zijn – dat wil zeggen, omgaan met emotionele aspecten van zorg, en het uitoefenen van “gezond verstand op de niet-kwantificeerbare gebieden van klinische zorg”, wat op zijn beurt, zou meer artsen aantrekken met interesse in de menselijke aspecten van de geneeskunde. Schwartz dacht dat AI het gezondheidszorgsysteem tegen het jaar 2000 volledig zou hebben getransformeerd. “Dat leek een veilige 30 jaar verwijderd”, merkte Szolovits op. “Maar in 2000 leefde Bill nog, en ik herinner me dat ik hem opbelde en hem plaagde met het feit dat eigenlijk geen van de dingen die hij had voorspeld, was uitgekomen.”

De ontwikkeling van AI-benaderingen van medicijnen

Hij was misschien te optimistisch over de timing, maar Schwartz was zeker iets op het spoor, en in het volgende deel van de lezing leerden we meer over hoe AI-benaderingen van geneeskunde zich in de loop van de decennia hebben ontwikkeld. Szolovits vertelde ons de eenvoudige probabilistische methoden die in de jaren vijftig en zestig werden gebruikt, zoals Naïve Bayes, toen ‘een veelgebruikte manier om diagnostisch te redeneren’. Andere methoden zijn nog steeds in gebruik. “Lineaire en logistische regressie zitten nog steeds in de toolkit van mensen die gegevens in de gezondheidszorg analyseren”, zegt Szolovits.

Halverwege de jaren 70 begonnen onderzoekers van MIT, Stanford, de Universiteit van Pittsburgh en Rutgers systemen te gebruiken die symbolische methoden gebruikten, zoals op kennis gebaseerde systemen. “In plaats van niet-gespecificeerde probabilistische modellen, gebruikten mensen regels en matching met prototypes en logische uitspraken om conclusies te trekken uit de observatiegegevens om tot diagnose en therapieën te komen”, zei Szolovits. De volgende grote stap volgde. “Tegen de jaren tachtig werden we geavanceerder.”

Big data komt ter plaatse

Dit was toen het idee van Bayesiaanse netwerken werd geïntroduceerd. Dit “tilde in wezen de eenvoud van het Naïeve Bayes-model op en zei, nou ja, zolang niet alles volledig afhankelijk is van al het andere, kunnen we nog steeds praktische modellen bouwen die minder onafhankelijkheid veronderstellen tussen verschillende variabelen voor minder voorwaardelijke onafhankelijkheid, maar die zijn nog enigszins rekenkundig hanteerbaar.” De sleutel tot de verdere ontwikkeling van de netwerkmodellen waren natuurlijk data. “Later in dat decennium begonnen mensen te zeggen: oh, nou, als we grote datasets hebben, kunnen we zowel de structuur als de parameters van deze Bayesiaanse netwerkmodellen leren die de waarheid vertegenwoordigen over wat we in deze grote datasets identificeren. Halverwege de jaren negentig begon big data mogelijk te worden.”

Daaruit kwamen enkele interessante observaties naar voren. “De een zei dat als je genoeg gegevens hebt, zelfs heel eenvoudige methoden best goed werken. Zelfs methoden waarvan je zou denken dat ze dat misschien niet zijn, omdat ze te veel aannames doen die niet goed bij de wereld passen.”

Nieuwe netwerken en oude dromen

Tegelijkertijd maakte de groei van de rekenkracht het mogelijk om op neurale netwerken gebaseerde diepe modellen te trainen. Deze algoritmen worden mogelijk gemaakt door enorme gegevensverzamelingen en enorme rekenkracht en laten hun grootste successen zien in beeldinterpretatie, waaronder röntgenfoto’s van de borst, retinopathie en dermatologie, hoewel ze ook steeds meer mogelijkheden hebben om voorspellingen te doen en ‘zin voor verhalen’ te maken.

Interessant is dat de ontwikkeling van neurale netwerken betekende dat Schwartz’ oude dromen weer naar boven kwamen – het idee van de computer als een virtuele medische assistent die de mens de tijd geeft om zich te wijden aan de menselijke aspecten van de geneeskunde. Tijd voor empathische zorg. Maar nogmaals, we zijn er nog niet helemaal. Volgens Szolovits is het daadwerkelijke gebruik van op ML gebaseerde beslissingsondersteunende tools nog steeds zeldzaam, hoewel sommige modellen voor beeldinterpretatie nu commercieel beschikbaar zijn en goedgekeurd voor gebruik.

In het volgende deel van de lezing presenteerde Szolovits voorbeelden van werk van zijn onderzoeksgroep, waaronder de gezamenlijke modellering van thoraxfoto’s en radiologische rapporten voor de beoordeling van longoedeem; en het vinden van biomarkers voor NASH.

Een nieuwe voorspelling?

Vragen uit het publiek waren veelomvattend en vallen grotendeels buiten het bestek van dit rapport. In het afsluitende deel werd Szolovits nogal op het verkeerde been gezet door te worden gevraagd naar zijn “geüpdatete schatting voor de voorspelling van Schwartz” – dat wil zeggen, het scenario van AI die de gezondheidszorg tegen het jaar 2000 volledig zal transformeren. Maar, misschien slim, hij deed zijn weddenschappen af. “Ik herinner me dat ik in 1974, toen ik op dit gebied begon te werken, voorspelde dat we in 1983 uitgebreide elektronische medische dossiers zouden hebben. En ik had het pas 30 jaar bij het verkeerde eind… dus ik vertrouw mijn eigen intuïtie niet.” Andere experts in het veld, wees hij erop, zijn veel optimistischer. En aan de hand van voorbeelden van significante mogelijkheden bij het analyseren van mammografen en afbeeldingen van de fundus van een netvlies, gaf Szolovits toe dat deze toepassingen veel waarde hadden, vooral op het gebied van beeldvorming. “En de Food and Drug Administration in de VS heeft nu zelfs een tiental van dergelijke hulpmiddelen goedgekeurd voor gebruik in de klinische geneeskunde”, voegde hij eraan toe. “Op andere gebieden niet zo veel. Op gebieden die betrekking hebben op behandelingsbeslissingen, of die betrekking hebben op diagnoses die gebaseerd zijn op feitelijke gegevens, of ideeën zoals het samenvatten van klinische dossiers om een goede samenvatting te krijgen… die dingen zijn nog steeds erg experimenteel, en waarschijnlijk niet goed genoeg dat u zou willen vertrouw er klinisch op. Nu, hoe snel zullen die dingen gebeuren?” In tegenstelling tot Schwartz gaf Szolovits ons geen vaste datum waarop we hem konden bellen en hem konden plagen met zijn wilde voorspellingen.