De afgelopen vijf jaar heeft kunstmatige intelligentie (AI) zijn intrede gedaan in de medische beeldvorming, waardoor workflows zijn versneld en de diagnostische nauwkeurigheid is verbeterd. Generatieve AI creëert nu nieuwe mogelijkheden door klinische context te synthetiseren uit beelden, rapporten en patiëntendossiers. Prof. dr. med. Mathias Goyen, Global Chief Medical Officer voor beeldvorming en geavanceerde visualisatieoplossingen bij GE HealthCare, legt uit hoe AI-oplossingen echte klinische uitdagingen aanpakken.
Wat ziet u als de meest baanbrekende innovatie in medische beeldvorming van de afgelopen vijf jaar, en hoe verandert deze de klinische praktijk van vandaag?
Een van de meest transformatieve innovaties in medische beeldvorming van de afgelopen vijf jaar is de klinische integratie van kunstmatige intelligentie (AI) op grote schaal. Hoewel AI al lang in ontwikkeling is, zien we nu dat de toepassing ervan in de praktijk een meetbare impact heeft, met name op het gebied van het verbeteren van de efficiëntie van de workflow, beeldreconstructie en ondersteuning bij klinische beslissingen.
In de radiologie leveren bijvoorbeeld op deep learning gebaseerde beeldreconstructietechnieken zoals AIR™ Recon DL beelden van hogere kwaliteit met aanzienlijk kortere scantijden. Dit verbetert niet alleen de ervaring van de patiënt, maar verhoogt ook de doorvoercapaciteit van de scanner, wat cruciaal is in de huidige veeleisende omgevingen.
Een andere belangrijke ontwikkeling is de uitbreiding van kwantitatieve beeldvormende biomarkers. Deze biomarkers helpen bij de overgang van beeldvorming van kwalitatieve interpretatie naar datarijke, kwantificeerbare beoordelingen. Dit is met name van belang in de oncologie, cardiologie en neurologie, waar de voortgang van ziekten of de respons op behandelingen nauwkeurige, reproduceerbare metingen vereisen.
Kunstmatige intelligentie wordt in hoog tempo geïntegreerd in diagnostische beeldvorming. Wat zijn enkele van de meest veelbelovende AI-toepassingen die momenteel in gebruik zijn of worden ontwikkeld bij GE HealthCare?
Bij GE HealthCare richten we ons op het ontwikkelen van AI-oplossingen die echte klinische problemen oplossen, zoals het verbeteren van de diagnostische betrouwbaarheid, de workflow en de resultaten. Een opvallend voorbeeld is onze Critical Care Suite, die AI gebruikt om pneumothorax op röntgenfoto's van de borstkas te detecteren op de plaats van zorg en deze gevallen prioriteit te geven voor beoordeling door een radioloog. Dit heeft al aangetoond dat het de tijd tot behandeling in kritieke gevallen kan verkorten.
We boeken ook vooruitgang op het gebied van AI bij het verkrijgen van beelden. Tools zoals Auto Positioning en Auto Protocol Selection verminderen variabiliteit en optimaliseren de kwaliteit van onderzoeken met minder input van technici, wat vooral gunstig is in omgevingen met beperkte middelen. Bovendien helpen onze AI-gestuurde post-processingtools clinici bij het kwantificeren en interpreteren van subtiele bevindingen, bijvoorbeeld door automatische segmentatie van hartstructuren in echocardiografie of volumetrische beoordelingen in CT mogelijk te maken.
Zullen generatieve AI-tools, waarmee radiologen beelden met AI kunnen bespreken, binnenkort hun intrede doen in de radiologie?
Absoluut. Generatieve AI toont al zijn potentieel in taken op het gebied van natuurlijke taalverwerking, en de toepassing van dergelijke tools in de radiologie is een logische volgende stap. We onderzoeken actief generatieve modellen die klinische context kunnen synthetiseren op basis van beelden, rapporten en patiëntendossiers, waardoor radiologen intuïtieve, op dialoog gebaseerde interacties met AI kunnen aangaan.
Stel je een scenario voor waarin een radioloog het systeem kan vragen: “Toon me vergelijkbare gevallen met histopathologische bevestiging” of “Wat was de eerdere groeisnelheid van deze laesie?” Dit niveau van interactie zou de efficiëntie en het klinisch inzicht aanzienlijk kunnen verbeteren. Hoewel het nog vroeg is, zullen dergelijke tools zich waarschijnlijk ontwikkelen tot digitale assistenten die zijn ingebed in PACS/RIS-systemen – contextbewust, altijd lerend en voortdurend verbeterend.
U hebt opgemerkt dat de meest directe impact van AI ligt in workflowoptimalisatie en triage, met name bij het identificeren van kritieke bevindingen zoals pneumothorax en intracraniële bloedingen. Hoe kunnen radiologieafdelingen deze tools het beste implementeren?
Een succesvolle implementatie begint met duidelijke klinische doelstellingen en robuust verandermanagement. Ten eerste moeten afdelingen knelpunten of gebieden identificeren waar vertragingen een meetbare impact hebben, zoals spoedeisende hulp of beroertepaden. AI-tools die op deze gebieden zijn gericht, hebben vaak de grootste impact op de zorg.
Ten tweede is integratie in bestaande workflows van cruciaal belang. AI is het meest nuttig wanneer het wordt geïntegreerd in de eigen omgeving van de radioloog (PACS, RIS of EMR), zodat het ondersteunt in plaats van verstoort. Het markeren van kritieke bevindingen mag bijvoorbeeld geen aparte logins of software vereisen; het moet automatisch gebeuren en met minimale interactie van de gebruiker.
Ten slotte zijn continue monitoring en feedback essentieel. Instellingen moeten prestatiestatistieken bijhouden, zoals gevoeligheid, specificiteit en tijdwinst, en deze indien nodig bijstellen. Het opbouwen van vertrouwen bij gebruikers door middel van transparantie en aangetoonde waarde is essentieel voor het behoud van acceptatie.
U beweert dat naadloze integratie van AI in PACS/RIS wrijving vermindert. Welke specifieke ontwerpprincipes of voorbeelden bij GE HealthCare illustreren deze “AI-onzichtbare” aanpak?
Onze ontwerpfilosofie is erop gericht om AI ‘onzichtbaar’ te maken, zodat deze stil op de achtergrond werkt en tegelijkertijd de klinische workflow verbetert. Een goed voorbeeld hiervan is onze integratie van de Critical Care Suite in röntgenworkflows. De AI draait op het apparaat en stuurt prioriteitswaarschuwingen rechtstreeks naar PACS zonder dat er extra invoer van de gebruiker nodig is. De radioloog hoeft niet op een apart AI-tabblad of portaal te klikken; de resultaten worden contextueel en duidelijk weergegeven binnen hun leesworkflow.
We passen dit principe ook toe in ons Smart Subscription-model, waarmee zorgverleners continu software-updates kunnen ontvangen zonder de klinische werkzaamheden te onderbreken. En onze AI-orkestratielaag helpt ervoor te zorgen dat de juiste algoritmen op het juiste moment op de juiste onderzoeken worden uitgevoerd, op basis van de klinische context, modaliteit en anatomie – naadloos achter de schermen.
Hoe ziet u de rol van radiologen evolueren nu AI de beeldinterpretatie ondersteunt?
AI zal radiologen niet vervangen, maar hun rol juist versterken door repetitieve taken te verminderen, waardoor ze meer tijd kunnen besteden aan hoogwaardige synthese en patiëntbetrokkenheid. Radiologen zullen steeds meer fungeren als informatie-integrators, die beeldvorming, klinische geschiedenis, pathologie en genomica combineren tot uniforme diagnostische verhalen.
Bovendien zullen radiologen een centrale rol spelen bij het sturen van de ontwikkeling van AI – het labelen van datasets, het valideren van modellen en het waarborgen van ethisch verantwoord gebruik. Als leden van multidisciplinaire teams zullen ze ook leiding geven aan initiatieven op het gebied van precisiegeneeskunde en strategieën voor volksgezondheid.
U hebt de opkomst voorspeld van ‘diagnostische geneeskunde’, waarin radiologie, pathologie en moleculaire diagnostiek worden geïntegreerd. Hoe moeten huidige radiologen zich op deze verschuiving voorbereiden?
Radiologen moeten hun vaardigheden uitbreiden tot buiten beeldvorming. Inzicht in moleculaire biologie, pathologie en bio-informatica zal essentieel zijn om een centrale rol te blijven spelen in de diagnostische keten. Interdisciplinaire training en samenwerking zullen daarbij cruciaal zijn.
Bij GE HealthCare ontwikkelen we tools die diverse soorten gegevens, van beeldvorming tot genomica, samenbrengen en op een klinisch zinvolle manier presenteren. Naarmate deze tools volwassen worden, zullen radiologen die levenslang leren en multidisciplinaire integratie omarmen, deze transformatie leiden.
Radiologieafdelingen kunnen deze evolutie ook bevorderen door gezamenlijke diagnostische commissies op te richten en datawetenschappers in hun teams te integreren.
Wat zijn uw belangrijkste prioriteiten voor het komende jaar als nieuw benoemd Global Chief Medical Officer voor beeldvorming en geavanceerde visualisatieoplossingen (echografie + beeldgestuurde therapieën)?
Mijn focus is drieledig. Ten eerste wil ik onze klinische partnerschappen versterken om ervoor te zorgen dat onze oplossingen een antwoord bieden op uitdagingen in de praktijk en meetbare resultaten opleveren.
Ten tweede willen we onze innovatiepijplijn versnellen, met name op het gebied van AI, moleculaire beeldvorming en precisiediagnostiek, en ervoor zorgen dat deze tools wereldwijd toegankelijk zijn, niet alleen in omgevingen met veel middelen.
Ten derde zet ik me in voor het bevorderen van gezondheidsgelijkheid. Dit betekent dat we werken aan het verminderen van ongelijkheden in toegang tot beeldvorming, kwaliteit en resultaten, vooral in achtergestelde gemeenschappen. We onderzoeken manieren om mobiele beeldvorming, diagnostiek op afstand en AI in te zetten om deze kloof te overbruggen.
U hebt gezondheidszorgsystemen over de hele wereld geobserveerd. Hoe zou u het tempo en de impact van digitale transformatie in verschillende regio's vergelijken?
Digitale transformatie verloopt ongelijkmatig. In landen met een hoog inkomen wordt de invoering vaak gedreven door een tekort aan arbeidskrachten en efficiëntie-eisen. Deze systemen integreren AI en digitale workflows doorgaans snel, maar worden geconfronteerd met hindernissen op het gebied van regelgeving en interoperabiliteit.
Daarentegen slaan veel lage- en middeninkomenslanden de oude systemen over en kiezen ze vanaf het begin voor cloud-native oplossingen en mobiele diagnostiek. Dit creëert kansen voor innovatie die is afgestemd op lokale behoeften.
Dat gezegd hebbende, is een veelvoorkomende uitdaging overal het bestaan van datasilo's. Echte transformatie vereist uniforme dataplatforms en sectoroverschrijdende samenwerking. Bij GE HealthCare werken we wereldwijd aan het wegnemen van deze barrières en het ondersteunen van schaalbare, op de regio afgestemde oplossingen.
Wat zijn de grootste uitdagingen voor zorgverleners bij de invoering van geavanceerde beeldvormingstechnologieën en digitale workflows, en hoe kunnen deze worden overwonnen?
De grootste uitdagingen zijn beperkingen in de infrastructuur, acceptatie door gebruikers en verandermanagement. Geavanceerde beeldvormingsinstrumenten vereisen vaak robuuste IT-systemen, integratiemogelijkheden en betrouwbare connectiviteit, die allemaal ongelijkmatig beschikbaar kunnen zijn.
Even belangrijk is de menselijke factor. Clinici hebben training, vertrouwen en tijd nodig om zich aan nieuwe technologieën aan te passen. Daarom richten we ons op het valideren en verfijnen van oplossingen met klinische partners en het bieden van voortdurende opleiding en ondersteuning.
Vergoeding en duidelijkheid op het gebied van regelgeving blijven ook cruciale hindernissen. Beleidsmakers moeten gelijke tred houden met innovatie om duurzame acceptatie te garanderen. We werken actief samen met regelgevers en industriële partners om deze omgeving op verantwoorde wijze vorm te geven.
Nu AI steeds meer diagnostische taken op zich neemt, hoe moet de sector dan omgaan met zorgen over nauwkeurigheid, verantwoordelijkheid en het vertrouwen van patiënten?
Transparantie en validatie zijn van het grootste belang De AI-tools die we ontwikkelen, worden onderworpen aan strenge tests en regelgevende controles. Maar dat is nog maar het begin. Monitoring na het in de handel brengen en beoordelingen van de prestaties in de praktijk zijn even essentieel.
Verantwoordelijkheid moet mensgericht blijven. AI moet het klinisch oordeel aanvullen, niet vervangen. Radiologen moeten de uiteindelijke beslissers zijn bij de diagnose, ondersteund door AI, maar niet vervangen door AI.
Om vertrouwen op te bouwen, is het ook nodig om patiënten en clinici voor te lichten over hoe deze tools werken, wat hun beperkingen zijn en welke waarborgen er zijn. Ethische AI-principes, zoals verklaarbaarheid en eerlijkheid bij AI-besluitvorming, zijn niet optioneel, maar fundamenteel.
Wat vindt u het meest spannend aan de toekomst van medische beeldvorming en welke rol zal GE HealthCare spelen bij het vormgeven van die toekomst?
Ik ben het meest enthousiast over de convergentie van data, diagnostiek en personalisatie. We gaan van beelden naar inzichten en van statische foto's naar dynamische, datagestuurde verhalen over de menselijke gezondheid.
GE HealthCare bevindt zich in een unieke positie om deze evolutie te leiden. Met onze diepgaande domeinexpertise, wereldwijde reikwijdte en toewijding aan doelgerichte innovatie bouwen we de tools en platforms die de diagnostische geneeskunde voor de volgende generatie zullen bepalen.
Of het nu gaat om AI die clinici helpt ziekten eerder op te sporen, beeldvormende biomarkers die helpen bij het voorspellen van de respons op therapie, of platforms die radiologie, pathologie en genomica-informatie en -gegevens met elkaar verbinden, ons doel is duidelijk: clinici empoweren, de zorg verbeteren en bijdragen aan betere resultaten voor elke patiënt, overal ter wereld.
