Wat maakt dat een ervaren neurochirurg op een MRI-scan vrijwel direct een afwijking herkent, terwijl een geneeskundestudent daar veel langer voor nodig heeft? Volgens onderzoekers van Macquarie University in Australië ligt het antwoord niet alleen in medische kennis, maar ook in de manier waarop experts visuele informatie verwerken. Twee nieuwe studies laten zien dat de oogbewegingen van ervaren specialisten duidelijke, meetbare patronen vertonen. De onderzoekers denken dat deze inzichten kunnen bijdragen aan de ontwikkeling van kunstmatige intelligentie (AI) die medische beelden niet alleen analyseert, maar ook leert ‘kijken’ zoals een expert dat doet.
De resultaten, gepubliceerd in Medical & Biological Engineering & Computing en het Journal of Eye Movement Research, bieden volgens de onderzoekers een nieuwe benadering voor zowel AI-ontwikkeling als de opleiding van toekomstige artsen. Het onderzoek werd uitgevoerd door het Computational NeuroSurgery Lab (CNS Lab) van Macquarie University.
Visuele expertise blijkt meetbaar
Het team onderzocht hoe de oogbewegingen van geneeskundestudenten, artsen in opleiding en ervaren neurochirurgen verschillen tijdens het beoordelen van medische beelden, variërend van röntgenfoto's tot CT- en MRI-scans. Daarvoor werden de oogbewegingen met hoge precisie geregistreerd. Vervolgens analyseerden de onderzoekers deze gegevens met behulp van fractale wiskunde en machine learning. Fractale analyse maakt het mogelijk om niet alleen vast te leggen waar iemand kijkt en hoe lang, maar ook hoe georganiseerd of juist willekeurig het volledige kijkpatroon is.
Volgens de onderzoekers verandert de manier waarop mensen naar medische beelden kijken fundamenteel naarmate hun expertise toeneemt. Waar beginners vooral reageren op opvallende visuele kenmerken, ontwikkelen experts een meer gestructureerde manier van scannen, waarbij de aandacht sneller en gerichter naar diagnostisch relevante gebieden wordt geleid.
Van student naar specialist
In de eerste studie volgden de onderzoekers dertien geneeskundestudenten gedurende drie opeenvolgende semesters. De deelnemers bekeken verschillende medische beelden terwijl hun oogbewegingen werden geregistreerd. De analyses werden samengebracht in een nieuwe maat, de Fractal Eye-Gaze Expertise Index (FEI). Deze index liet een duidelijke ontwikkeling zien: naarmate studenten verder kwamen in hun opleiding, werden hun oogbewegingen minder grillig en meer vergelijkbaar met die van ervaren specialisten.
Volgens de onderzoekers weerspiegelt deze ontwikkeling een verschuiving van algemene beeldwaarneming naar doelgerichte diagnostische interpretatie. Dankzij de fractale analyse kon deze groeiende visuele expertise voor het eerst objectief worden gekwantificeerd. De onderzoekers benadrukken dat expertise zich daarmee niet uitsluitend uit in meer kennis, maar ook in een fundamenteel andere manier van kijken.
AI herkent ervaringsniveau
Een tweede studie breidde het onderzoek uit naar een grotere groep van 69 deelnemers, bestaande uit mensen zonder medische ervaring, artsen in opleiding tot neurochirurg en ervaren neurochirurgen. Zij kregen zowel normale als afwijkende MRI-scans van de hersenen te beoordelen. Hieruit bleek dat ervaren specialisten efficiënter door de beelden navigeren, langer stilstaan bij afwijkende gebieden en hun kijkstrategie aanpassen aan het type pathologie dat zij beoordelen.
De onderzoekers ontwikkelden vervolgens een AI-model dat zowel de duur van de blikfixaties als de driedimensionale fractale kenmerken van het kijkpatroon analyseerde. Daarmee kon het systeem met een nauwkeurigheid van meer dan 93 procent onderscheid maken tussen beginners, artsen in opleiding en experts. Volgens het onderzoek laat dit zien dat visuele expertise zich vertaalt in een herkenbaar patroon dat door AI kan worden geleerd en geclassificeerd.
Nieuwe bouwsteen voor medische AI
De onderzoekers zien de resultaten als meer dan een studie naar oogbewegingen. Volgens hen vormen de patronen die experts tijdens beeldanalyse laten zien een afspiegeling van complexe cognitieve processen. Door deze patronen als trainingsdata te gebruiken, zou AI niet alleen leren welke afwijkingen zichtbaar zijn, maar ook hoe ervaren artsen hun aandacht over een beeld verdelen. Dat kan waardevol zijn voor toekomstige AI-systemen die radiologische beelden analyseren of artsen ondersteunen bij diagnostische besluitvorming. Daarnaast biedt de methode mogelijkheden om de ontwikkeling van visuele expertise tijdens medische opleidingen objectief te volgen en mogelijk zelfs gerichter te begeleiden.
Tegelijkertijd benadrukken de onderzoekers dat het niet gaat om het vervangen van de arts, maar om het beter begrijpen van menselijke expertise. De centrale vraag is volgens hen niet alleen hoe machines kunnen leren, maar vooral welke menselijke vaardigheden we AI willen aanleren. De fractale patronen in de oogbewegingen van experts laten zien dat ervaring niet alleen bepaalt wat iemand ziet, maar ook hoe iemand kijkt. Juist die manier van kijken zou in de toekomst een belangrijke inspiratiebron kunnen vormen voor de volgende generatie medische AI-systemen.
“Wij zijn van mening dat onze bevindingen belangrijke implicaties hebben voor de manier waarop artsen in opleiding worden beoordeeld, hoe de opleidingsprogramma’s voor radiologie en neurochirurgie worden opgezet en hoe AI-systemen uiteindelijk kunnen worden getraind om medische beelden te interpreteren zoals een deskundige dat doet”, aldus Professor Di Ieva, die in 2018 het CNS Lab oprichtte.
AI in chirurgie
Begin dit jaar werd in Gent, België, een AI-copiloot gepresenteerd die chirurgen tijdens robotoperaties in realtime ondersteunt. Het systeem analyseert live operatiebeelden, herkent operatiefases en anatomische structuren en biedt contextuele ondersteuning bij complexe beslissingen. De technologie bouwt voort op een eerdere innovatie uit 2023, waarbij vier AI-modellen gelijktijdig werden ingezet tijdens een robotgeassisteerde nieroperatie. De nieuwe AI-copiloot ondersteunt het volledige operatietraject, van preoperatieve planning tot intraoperatieve begeleiding en training.
Voor de verdere ontwikkeling maakt Orsi gebruik van een NVIDIA-supercomputer die de benodigde realtime rekenkracht levert. De technologie werd live getest tijdens een robotoperatie in het AZORG Ziekenhuis. Volgens Orsi markeert deze ontwikkeling een belangrijke stap richting bredere klinische toepassing van AI in de chirurgie, al blijven validatie, regelgeving en integratie in de zorg belangrijke aandachtspunten. Een andere ontwikkeling is het trainen van chirurgen in opleiding met behulp van AI.
Vorig jaar ontwikkelden Amerikaanse onderzoekers hiervoor een AI-gestuurde coach die geneeskundestudenten tijdens het oefenen van chirurgische hechtingen in realtime begeleidt. De technologie is getraind op de handbewegingen van ervaren chirurgen en maakt gebruik van explainable AI om niet alleen prestaties te beoordelen, maar ook gerichte feedback te geven over techniek, zoals naaldhoek, spanning, bewegingsefficiëntie en consistentie. In een eerste studie werden twaalf studenten verdeeld over AI-coaching of traditionele video-instructie. Vooral studenten met een goede basisvaardigheid verbeterden dankzij de AI sneller, consistenter en nauwkeuriger dan de groep die uitsluitend instructievideo’s gebruikte.
Volgens de onderzoekers biedt directe, gepersonaliseerde feedback meer leerrendement dan een beoordeling achteraf. Het team werkt nu aan een betaalbare toepassing waarmee studenten thuis kunnen oefenen met een hechtset en een smartphone, zonder voortdurende begeleiding van een docent. De onderzoekers zien de AI-coach niet als vervanging van opleiders, maar als een schaalbare digitale leermeester die de kwaliteit van chirurgische opleidingen kan verbeteren en de druk op klinische supervisors helpt verlagen.
Referenties
Medical & Biological Engineering & Computing (Onderzoek)
Journal of Eye Movement Research (Onderzoek)
