Bij het Barcelona Supercomputing Center (BSC), waar met MareNostrum 5 een van Europa’s krachtigste supercomputers draait, werkt Davide Cirillo (niet op de foto) met zijn onderzoeksgroep aan de inzet van kunstmatige intelligentie (AI) voor biomedisch onderzoek. De toepassingen variëren van kanker en zeldzame ziekten tot cardiovasculaire en neurodegeneratieve aandoeningen. De belofte is groot, maar gaat gepaard met fundamentele vragen over data, infrastructuur en verantwoordelijkheid.
Volgens Cirillo is de impact van AI op biomedisch onderzoek moeilijk te overschatten. “We zijn getuige van een transformatie van ons onderzoeksdomein en onze manier van werken. Dit is echt een paradigmaverschuiving.” Waar wetenschap traditioneel hypothese-gedreven was, verschuift het zwaartepunt naar datagestuurd onderzoek.
Die omslag hangt nauw samen met de explosie aan beschikbare data sinds de eerste publicatie van het menselijk genoom. Cirillo hierover: “De paradigmaverschuiving bestaat uit een overgang van het testen van vooraf gedefinieerde hypothesen naar het doorzoeken van enorme hoeveelheden informatie om nieuwe inzichten te genereren.” Dat levert vooral op mechanistisch niveau nieuwe kennis op over het ontstaan en verloop van ziekten, wat direct relevant is voor de ontwikkeling van behandelingen.
Tegelijkertijd brengt deze ontwikkeling nieuwe afhankelijkheden en risico’s met zich mee. “Als we al deze gegevens produceren, hebben we grotere modellen en adequate infrastructuur nodig om ze te verwerken”, aldus Cirillo. Dat roept volgens hem vragen op over duurzaamheid en over de rol van private partijen die dergelijke infrastructuur kunnen leveren.
Daarnaast groeit het risico dat bias in data en modellen onopgemerkt blijft. “Grote AI-modellen zijn vaak black boxes die gedurende hun hele ontwikkelingscyclus grondig moeten worden gecontroleerd.”
Van doorbraak naar toepassing
De toegenomen zichtbaarheid van AI in de biomedische wereld, onder meer door successen zoals AlphaFold, speelt volgens Cirillo een rol, maar is niet de enige drijfveer. “Er zijn veel kanalen waarmee wetenschappelijke ontwikkelingen een breed publiek kunnen bereiken.” Tegelijkertijd verandert het speelveld doordat technologiebedrijven zich nadrukkelijker mengen in de gezondheidszorg.
De onderzoeker onderscheidt daarbij drie niveaus: onderzoek, markt en toepassing. Op onderzoeksniveau ontstaan nieuwe methoden en modellen, vaak beschreven in publicaties en patenten. Op marktniveau gaat het om AI-toepassingen die door regelgeving komen, zoals FDA-goedkeuring of MDR-compliance. Pas daarna volgt daadwerkelijke implementatie in de praktijk.
'De noodzaak van regelgeving is geen belemmering voor vooruitgang'
Die laatste stap blijft achter, merkt Cirillo. “Als je kijkt naar gezondheidszorgsystemen wereldwijd, blijft het gebruik in ziekenhuizen beperkt, hoewel het toeneemt.” In de VS gebruikte in 2025 ongeveer 22 procent van de ziekenhuizen AI in enige vorm. De toepassingen zijn daarbij vaak pragmatisch van aard. “Ambient AI-systemen die gesprekken tussen artsen en patiënten opnemen en samenvattingen genereren, behoren tot de meest gebruikte AI-systemen.”
Ook de verdeling van toepassingen zegt iets over de huidige fase. Het merendeel van de AI-oplossingen richt zich op medische beeldvorming, terwijl andere domeinen nog relatief beperkt vertegenwoordigd zijn. Ziekenhuizen zetten AI vooral in voor efficiëntie en specifieke taken, minder voor brede transformaties.
Revolutie door LLM’s
De opkomst van grote taalmodellen (LLM’s) en basismodellen heeft het onderzoeksveld verder veranderd. “Ze zijn zeer revolutionair geweest.” Opvallend is dat vooral tekst en beeld de drijvende krachten zijn achter deze ontwikkeling.
Grote taalmodellen zijn zeer nuttig voor het verwerken van medische aantekeningen en andere tekstuele informatie die in klinische omgevingen wordt verzameld. Dat betreft onder meer vrije tekst in elektronische patiëntendossiers en audio-opnamen, die via natuurlijke taalverwerking toegankelijk worden gemaakt.
Dat juist deze datatypes dominant zijn, heeft volgens Cirillo een praktische reden. “Deze soorten gegevens zijn breder beschikbaar en gemakkelijker toegankelijk.” Voor andere datatypes, zoals specifieke biologische datasets, is het veel lastiger om modellen op vergelijkbare schaal te trainen.
In de beeldvorming ziet Cirillo dat basismodellen zich ontwikkelen tot breed inzetbare bouwstenen. “Een basismodel is kneedbaar. Je kunt het hergebruiken voor verschillende taken in beeldverwerking.”
Daarmee verschuift de focus van afzonderlijke toepassingen naar herbruikbare modellen die voor meerdere doelen inzetbaar zijn. Dat sluit aan bij de bredere beweging in de biogeneeskunde om zoveel mogelijk kennis uit data te halen en die vervolgens opnieuw toe te passen.
Rem op vooruitgang
Ondanks de snelle ontwikkelingen zijn er duidelijke knelpunten. Opvallend genoeg ziet Cirillo regelgeving niet als grootste obstakel. “Meer dan regelgeving, die ik noodzakelijk acht, is het gebrek aan middelen, met name financiering, de belangrijkste beperking.”
Onderzoek vraagt namelijk om investeringen, juist omdat het verkennend van aard is. Zonder voldoende financiering stokt de ontwikkeling van nieuwe toepassingen.
Tegelijkertijd benadrukt de onderzoeker dat regelgeving een noodzakelijke rol speelt. “De noodzaak van regelgeving is geen belemmering voor vooruitgang. Het is iets dat verantwoorde vooruitgang mogelijk maakt.”
Ook data vormt een structurele uitdaging. Hoewel vaak wordt gesproken over big data, is die niet altijd beschikbaar. Vooral bij zeldzame ziekten zijn datasets beperkt, en ook binnen veelvoorkomende aandoeningen worden datasets kleiner naarmate de focus verschuift naar subgroepen en precisiegeneeskunde. Bovendien zijn nieuwe datatechnieken kostbaar, wat de drempel verder verhoogt.
Daarnaast wijst Cirillo op het belang van onderwijs en talentontwikkeling. “We moeten onderwijs stimuleren en talent in onderzoek behouden.” Beperkte middelen maken het moeilijk om nieuwe generaties onderzoekers op te leiden. Diversiteit speelt daarin eveneens een rol. Meer diverse teams dragen bij aan nieuwe perspectieven en helpen bias te verminderen.
Noodzaak randvoorwaarden
De komende jaren verwacht Cirillo verdere versnelling in zijn vakgebied, onder meer door nieuwe technologie zoals quantumcomputing. Tegelijkertijd benadrukt hij dat technologische vooruitgang op gebieden zoals quantum machine learning alleen niet voldoende is.
De ontwikkelingen in AI en biomedisch onderzoek bewegen snel, maar het benutten van het volledige potentieel vraagt om een combinatie van factoren. “Om het volledige potentieel ervan in de levenswetenschappen te realiseren, moet dit gepaard gaan met verantwoordelijkheid, middelen, regelgeving en onderwijs.”
Zonder die randvoorwaarden, stelt Cirillo tot slot, blijft de impact beperkt tot afzonderlijke toepassingen, terwijl de structurele transformatie waar AI voor staat nog moet worden gerealiseerd.
