AI kan afwijkingen op MRI-beelden herkennen die met het blote oog nauwelijks zichtbaar zijn. Veel algoritmen presteren echter vooral goed in vereenvoudigde onderzoeksomgevingen. De klinische praktijk is complexer: beelden verschillen per scanner en patiënt, terwijl onderscheid tussen tumorsubtypen bijzonder subtiel kan zijn.
Onderzoekers uit de Verenigde Arabische Emiraten (VAR) onderzochten in dit kader niet welk afzonderlijk AI-model het beste is, maar hoe verschillende technieken elkaar kunnen aanvullen om MRI-diagnostiek te optimaliseren.
De betrokken wetenschappers van de University of Sharjah en Khalifa University of Science Technology and Research ontwikkelden een AI-raamwerk voor het detecteren en classificeren van hersentumoren op MRI-beelden. Hiervoor gebruikten ze 7.023 beelden van gezonde mensen en patiënten met een glioom, meningeoom of hypofysetumor. Alle beelden werden op dezelfde manier voorbewerkt, onder meer door resolutie, contrast en intensiteit te standaardiseren.
De analyse bestond uit twee stappen die aansluiten bij de klinische workflow. Eerst bepaalde AI of een tumor aanwezig was. Vervolgens stelde het systeem vast om welk tumortype het ging. De onderzoekers vergeleken en combineerden daarvoor convolutionele neurale netwerken (CNN’s), Long Short-Term Memory-netwerken (LSTM’s), attention-mechanismen en Vision Transformers.
Innovatie vooral in taakverdeling
De innovatie zit vooral in de taakverdeling tussen AI-modellen. CNN’s herkennen lokale beeldkenmerken, terwijl LSTM’s complexe verbanden tussen kenmerken modelleren. Attention laat het systeem focussen op diagnostisch relevante patronen. Vision Transformers wegen dan weer welke delen van een beeld de meeste informatie bevatten. Zo wordt voor iedere analysestap de techniek benut die daar het meest geschikt voor is.
Met alleen de best presterende CNN’s bedroeg de nauwkeurigheid 97,6 procent voor detectie en 90,5 procent voor classificatie. Toevoeging van LSTM verhoogde dit tot respectievelijk 98,9 en 96,9 procent. Met attention stegen de scores verder naar 99,9 en 99,2 procent. De twee analysestappen namen gemiddeld slechts 21,6 en 17,6 milliseconden in beslag. Daarmee lijkt het framework in beginsel geschikt voor realtime analyse, zonder substantiële vertraging van het diagnostische proces.
Klinische toepassing is nog niet aan de orde, zo benadrukken de onderzoeker. Validatie met andere patiëntenpopulaties, zorgorganisaties en MRI-scanners blijft nodig. Ook vragen de uitlegbaarheid, technische belasting, kosten en regelgeving aandacht.
Lees het volledige artikel in editie 5, 2026 van ICT&health, die op 23 oktober verschijnt.
Voeg ICT&health toe aan Google
Toon meer content van ICT&health in Google Zoeken.
