Onderzoekers van het German Cancer Research Center, het Heidelberg University Hospital en het Mannheim University Medical Center hebben een nieuwe methode ontwikkeld waarmee AI medische beelddata van dieren kan vertalen naar toepassingen bij mensen. Deze aanpak, aangeduid als xeno-learning, maakt het mogelijk om AI-systemen te trainen zonder afhankelijk te zijn van grootschalige, gelabelde patiëntdata.
Een van de grootste uitdagingen tijdens operaties is de visuele en vaak subjectieve beoordeling van weefsel. Chirurgen moeten bijvoorbeeld onderscheid maken tussen gezond en kwaadaardig weefsel, of vitale structuren sparen. Spectrale beeldvorming biedt hiervoor nieuwe mogelijkheden. Met hyperspectrale camera’s wordt veel meer informatie vastgelegd dan het menselijk oog kan waarnemen, zoals verschillen in doorbloeding en zuurstofverzadiging van weefsel. Het onderzoek is gepubliceerd in Nature Biomedical Engineering.
Schakel tussen beeld en besluitvorming
De interpretatie van deze complexe, hoog-dimensionale beelddata vraagt om geavanceerde AI-algoritmen. In de praktijk vormt vooral het gebrek aan grote hoeveelheden gelabelde medische beelden van patiënten een obstakel. Dergelijke datasets zijn ethisch, juridisch en praktisch moeilijk te verkrijgen. Dieronderzoek daarentegen levert vaak omvangrijke, gestandaardiseerde beeldsets op, waarin specifieke weefselveranderingen doelbewust zijn opgewekt en vastgelegd.
Hier komt xeno-learning in beeld. Deze methode gebruikt dierlijke beelddata om AI te trainen op algemene pathofysiologische veranderingen, zoals doorbloedingsstoornissen, en vertaalt die kennis vervolgens naar de menselijke context.
Leren over soortgrenzen heen
“De uitdaging was dat de absolute weefselkenmerken van mensen, varkens en ratten sterk van elkaar verschillen,” zegt Lena Maier-Hein, afdelingshoofd bij het DKFZ en directeur van het NCT Heidelberg. “Maar door het netwerk niet te laten leren op absolute kleurwaarden, maar op patronen van verandering bij ziekteprocessen, konden we die kennis succesvol overdragen naar mensen.”
In het onderzoek analyseerden de teams meer dan 13.000 hyperspectrale beelden van menselijk en dierlijk weefsel. Klassieke AI-modellen die alleen met dierdata waren getraind, bleken niet goed te presteren bij mensen. Met de xeno-learning-aanpak werd deze barrière doorbroken: het model herkende pathologische veranderingen in menselijk weefsel op basis van kennis die was opgedaan in diermodellen.
Impact op de operatiekamer
Volgens de onderzoekers ligt hier een belangrijke kans voor de chirurgische praktijk. “Xeno-learning maakt het mogelijk om spectrale beeldvorming toe te passen, zelfs wanneer menselijke trainingsdata ontbreken,” aldus Jan Sellner, mede-eerste auteur van de studie.
Ook Alexander Studier-Fischer van het Mannheim University Hospital benadrukt de klinische relevantie. “Dit is een belangrijke stap om operaties veiliger en preciezer te maken, met betere ondersteuning van de chirurg tijdens kritieke beslissingen.”
Om de vertaalslag naar de klinische praktijk te versnellen, hebben de onderzoekers hun software en vooraf getrainde AI-modellen open beschikbaar gesteld. Daarmee onderstrepen zij het belang van transparantie en samenwerking bij de verdere ontwikkeling van AI-ondersteunde chirurgie.
