Onderzoekers van de Technische Universiteit Eindhoven (TU/e) hebben een baanbrekend medisch AI-basismodel ontwikkeld dat artsen helpt om afwijkingen op CT-scans sneller en nauwkeuriger te herkennen. Dat maakt eerdere diagnoses van onder andere kanker mogelijk. Het model werd getraind op meer dan 250.000 CT-scans en is het eerste dat gebruikmaakt van de rekenkracht van SPIKE-1, de nieuwe supercomputer van de TU/e.
Het AI-model, ontwikkeld onder leiding van dr. Fons van der Sommen, fungeert als een zogenoemd foundation model: een basis waarop ziekenhuizen, universiteiten en bedrijven wereldwijd kunnen voortbouwen om hun eigen medische AI-toepassingen te ontwikkelen. Dankzij self-supervised learning leert het model zelfstandig verbanden leggen tussen beelden en bijbehorende teksten, zonder dat onderzoekers elk voorbeeld handmatig hoeven te labelen.
Open innovatie voor de zorg
De TU/e stelt het model open source beschikbaar, zodat ook instellingen zonder supercomputer ermee aan de slag kunnen. “We leveren als het ware de stam waaruit anderen hun eigen medische AI-modellen kunnen laten groeien,” zegt Van der Sommen, verbonden aan de onderzoeksgroep Architectures for Reliable Image Analysis (ARIA) en het Eindhoven Artificial Intelligence Systems Institute (EAISI). “Zo verlagen we de drempel voor innovatie, zeker in de zorg, waar relevante data vaak schaars is, bijvoorbeeld bij zeldzame aandoeningen.”
Volgens Van der Sommen is open samenwerking essentieel voor vooruitgang in medische AI. “Vroeger hield men zulke modellen liever voor zichzelf,” zegt hij. “Maar dit model kan zoveel gouden eieren leggen, dat kunnen wij niet allemaal behappen. Door ze te delen, kan iedereen er verder mee komen.”
De kracht van supercomputer SPIKE-1
Het trainen van zo’n omvangrijk AI-model was alleen mogelijk dankzij de supercomputer SPIKE-1, uitgerust met NVIDIA DGX B200-systemen en de snelste Blackwell GPU’s ter wereld. Met ruim 5,7 terabyte intern geheugen kan SPIKE-1 honderden CT-scans tegelijkertijd verwerken. Iets wat voor gewone grafische kaarten onmogelijk is.
“Eén CT-scan is al snel honderd megabyte. We moesten duizenden van die beelden in één keer verwerken. Zonder SPIKE-1 was dat simpelweg niet haalbaar geweest”, aldus Van der Sommen.
Van laboratorium naar kliniek
De onderzoekers benadrukken dat AI bedoeld is als ondersteuning, niet als vervanging van artsen. “We zien het vooral als een kwalitatieve tool om data beter te analyseren. Dat neemt veel werk uit handen, met name op het gebied van specifieke signalering, maar artsen blijven nodig om die signalen te interpreteren.”
Het project heeft drie doelen: aantonen wat foundation models kunnen betekenen voor medische beeldvorming, efficiëntere manieren vinden om zulke modellen te trainen, en de positie van de TU/e als voortrekker in open-source AI-onderzoek voor de zorg versterken.
De komende tijd wil het team de technologie verder delen en uitbreiden. Van der Sommen besluit: “We leggen het fundament, anderen kunnen daarop verder bouwen. Universiteiten hebben de kennis en infrastructuur om de eerste stap te zetten. Bedrijven en ziekenhuizen kunnen die kennis vervolgens omzetten in toepassingen die écht het verschil maken voor patiënten.”
AI voor nauwkeuriger medisch onderzoek
Enkele weken geleden maakten onderzoekers van de Universiteit van Illinois Urbana-Champaign bekend een AI-gestuurde tool ontwikkeld te hebben die automatisch ontbrekende of onvolledige informatie in rapporten van klinische proeven opspoort.
Het systeem analyseert gepubliceerde artikelen op cruciale elementen, zoals beschrijvingen van randomisatie, patiëntenselectie en uitkomstdefinities. Dit zijn factoren die essentieel zijn voor de betrouwbaarheid van medisch bewijs. Uit het onderzoek blijkt dat veel klinische studies nog steeds onvolledig worden gerapporteerd, wat de beoordeling van hun kwaliteit bemoeilijkt.
Op dit moment werkt het team aan een lichte, open-sourceversie die wereldwijd beschikbaar wordt gesteld aan onderzoekers, universiteiten en medische tijdschriften. Zo kunnen wetenschappers hun conceptartikelen automatisch laten controleren op volledigheid, wat zorgt voor betrouwbaardere publicaties, snellere kwaliteitscontrole en meer transparantie in medisch onderzoek.
