World-class team? Check. Geld? Jep. AI-belofte Quantib wil wereld veroveren.

Artificial Intelligence (AI) vertoont veel overeenkomsten met de opkomst van mobiele technologie twintig jaar geleden. Je hoort steeds vaker AI-first, net zoals organisaties vijftien jaar terug alle fiches op mobiel moesten zetten met een mobile first strategie. In de gezondheidszorg staat de AI-hypemeter, vooral waar het om gebieden als machine learning en deep learning gaat, inmiddels voortdurend in het rood. Op het oog spectaculaire onderzoeksresultaten van Google, Apple en vele universiteitsafdelingen worden getemperd door stemmen die waarschuwen voor ongebreideld techno-optimisme. Het gezaghebbende tijdschrift Nature waarschuwde deze maand in een hoofdredactioneel commentaar dat AI diagnose-algoritmen dezelfde strenge wetenschappelijke toets moeten ondergaan als nieuwe medicijnen.

Maar wanneer je de extremen van de kritiekloze voorstanders en technofobe tegenstanders wegfiltert, zie je een veelbelovend vakgebied, waarin de vorderingen inmiddels bijna maandelijks lijken te verlopen. Ook Nederland blaast zijn partij mee op het AI-wereldtoneel, vooral op het gebied van slimme algoritmen om radiologische beelden te interpreteren.

Van Philips naar startup

Arthur Post Uiterweer is sinds begin dit jaar CEO van het Rotterdamse Quantib. Het bedrijf, dat eind vorig jaar een kapitaalinjectie van 4,5 miljoen ontving van durfinvesteerders, is opgericht in 2012. Het bedrijf is zes jaar geleden begonnen als spin-off van het Erasmus MC. Dat ziekenhuis heeft een vakgroep Biomedical Imaging Group Rotterdam (BIGR) onder leiding van Prof. Dr. Wiro Niessen.

Quantib CEO Arthur Post Uiterweer

Post Uiterweer legt uit dat die vakgroep al heel lang veelbelovende algoritmes ontwikkelde om bijvoorbeeld sneller meer informatie uit hersenscans te kunnen halen. “Maar de commerciële ontwikkeling van dit soort technieken is geen kerntaak van een onderzoeksinstelling, en veel promotieonderzoeken verdwenen in een la zonder dat ze ten goede kwamen aan patiënten.” Quantib is opgezet om die technologie wél naar de kliniek te brengen, en de toepassingen te laten voldoen aan richtlijnen als die van de FDA in de Verenigde Staten en CE in Europa. Dat zijn langdurige trajecten.”

Deep learning: the place to be

Post Uiterweer, die vorig jaar bij Quantib aanvankelijk was aangetrokken als commercial director, studeerde bioscience in Cambridge en maakte daarna snel carrière bij The Boston Consulting Group en de gezondheidsdivisie van Philips. Volgens hem is machine learning, het vakgebied waarin de data scientists en software engineers van Quantib werken, dé plek waar je nu wil zijn wanneer het om medische beelden (zoals MRI-scans) gaat. “De scanners van Philips, Siemens of GE gaan steeds meer op elkaar lijken, de software is cruciaal voor het onderscheid tussen concurrenten.”  

Quantib: data scientists en deep learning specialisten

Quantib’s huidige producten zijn gericht op hersenziekten. Enerzijds omdat neurologische ziekten veel mensen treffen, een belangrijke doodsoorzaak zijn en tot hoge kosten in het zorgsysteem leidden. Anderzijds omdat Erasmus MC een zeer sterk neuroradiologie team heeft. Innovatie op dit gebied kan dus ten goede komen aan veel patiënten, zegt Post Uiterweer. Het Quantib-product Brain kreeg in 2016 in de Verenigde Staten goedkeuring van de FDA. Quantib™Brain helpt artsen en onderzoekers bij het detecteren en volgen van neurologische aandoeningen, zoals Parkinson, MS en Alzheimer. Artsen en onderzoekers kunnen dankzij de beeldanalyse-software van Quantib beter en ook sneller diagnoses stellen. Nu worden medische beelden meestal uitsluitend met het menselijke oog beoordeeld en vergeleken, doorgaans door de radioloog.

Algoritmes voor hersenen

Quantib zoekt in medische beelden naar zogeheten biomarkers: kenmerken die de radioloog en neuroloog helpen bij het diagnostiseren van een ziekte en het monitoren van de progressie daarvan. De diagnose van een ziekte als dementie is meestal een lang traject, waarin meerdere onderzoeken plaatsvinden door verschillende disciplines. Die metingen vormen, samen met de beelden van de scan, de basis voor de diagnose van een bepaald type dementie. Het duurt, zegt Post Uiterweer, vaak meerdere jaren om die diagnose definitief vast te stellen, vooral omdat de ziekte zich langzaam ontwikkelt. Een kenmerk van dementie is dat de hersenen van patiënten meer krimpen dan die van gezonde mensen.

De Quantib software voor hersenonderzoek

Quantib heeft norm grafieken ontwikkeld op basis van een grote populatie gezonde Nederlandse vrijwilligers, die al tientallen jaren worden gevolgd met regelmatige scans. De eerste scan van een patiënt met de verdenking van dementie kan worden vergeleken met de data van tientallen jaren researchnorm grafieken om te kijken of er sprake is van meer dan normale krimp. Dat is een belangrijke indicator voor de diagnose die de neuroloog stelt. Het gaat daarbij om slechts enkele millimeters afname per jaar.

De machine learning algoritmen die Quantib-onderzoekers ontwikkelden kunnen op basis van 3D beelden die verschillende gebieden van de hersenen ‘herkennen’ en per gebied de volumes berekenen. Dat is voor radiologen een tijdrovende bezigheid. Met dit gereedschap kan een correcte diagnose sneller worden gesteld, en een passende behandeling eerder worden ingezet.

Quantib wil zich met de nieuwe investering ook gaan richten op andere ziekten. Post Uiterweer zegt dat de algoritmen die Quantib ontwikkelt ook bruikbaar zijn om te zoeken naar biomarkers of data-patronen in scans van prostaat, lever en andere organen of botstructuren zoals heupen en knieën. De meest voor de hand liggende toepassing is het automatisch detecteren op basis van reeds bekende markers of patronen in radiologie beelden, als hulp voor de radioloog. Het wordt echter nog interessanter als zelflerende systeem nieuwe patronen ontdekken, die verbindingen leggen tussen radiologische beelden en pathologie of genetica.

"Deep learning moet geen black-box zijn"

“Idealiter wil je van een tumor weten welke genetische mutaties eraan ten grondslag liggen omdat dit veel zegt over hoe agressief de tumor is en wat de beste behandeling is. Om genetische mutaties te ontdekken moet je normaal gesproken een stukje tumorweefsel wegnemen om daarvan genetische code te bepalen. Wat we echter nu zien is dat de vorm en structuur van de tumor op MRI beelden vaak al een goede voorspeller is van genetische mutaties die aan de tumor ten grondslag liggen”, aldus Post Uiterweer. Wanneer je een algoritme maar genoeg gevallen laat zien, kan de zelflerende software de scans van patiënten vergelijken op letterlijk tienduizenden kenmerken, en daar de top honderd uit destilleren. Op die manier zal de deep learning software op basis van MRI-beelden steeds vaker kunnen voorspellen wat het resultaat van een biopt gaat zijn. “Het doel is natuurlijk om in bepaalde gevallen biopten te voorkomen en eerder een prognose te geven.”

Deep learning systeem AlphaGo versloeg wereldkampioen Go, maar we weten niet precies hoe

Een belangrijke uitdaging die Post Uiterweer ziet voor deep learning-toepassingen is hoe de software aan menselijke specialisten meer inzicht kan geven in de manier waarop bepaalde patronen zijn ‘ontdekt’. Daardoor kunnen artsen volgens hem beter volgen waarom de software met bepaalde adviezen komt.

De CEO vindt dat het gevaarlijk is om blind te varen op de correlaties uit de ‘black box’ van de AI. “Je wilt bijvoorbeeld liefst visualiseren wat de top tien features zijn die tot een bepaalde relatie hebben geleid, op een manier die inzichtelijk is voor de dokter. Wanneer je dat niet transparant doet, dan raak je de kracht van de man-machine interface kwijt.”

Toekomst van radiologen

Hoewel Post Uiterweer - niet onverwacht - uiterst optimistisch is over de toekomst van AI voor de interpretatie van medische beelden of weefselmonsters, stelt hij vast dat de nu al behaalde indrukwekkende resultaten van deep learning algoritmen nog geen alternatief zijn voor de menselijke radioloog of specialist. “Een radioloog die een röntgenbeeld bekijkt voert misschien wel twintig of dertig taken tegelijk uit, hij zoekt naar verbanden in het licht van de ziektegeschiedenis, de familiehistorie en de toestand van de patiënt, hij kijkt naar een vergroot hart, een klaplong, een longontsteking. Hij vat dat in een conclusie samen: dit zie ik bij de patiënt. Wat machine learning in dit stadium doet is één van die twintig of dertig taken steeds beter uitvoeren. Het is nog niet op het niveau dat de radioloog vervangen wordt, en daar zijn we nog ver van af. De technologie levert tools om het werk van de radioloog te ondersteunen, zodat die zich kan richten op de complexere problemen en randgevallen.

Radiologie data verdubbelt elke twee jaar

De CEO wijst er ook op dat de hoeveelheid medische beelden per twee jaar verdubbelt. “De komende twee jaar wordt evenveel medische beeld data gegenereerd als er in de hele medische geschiedenis tot nu toe is gegenereerd. Het aantal radiologen neemt met hooguit tien procent toe. Zonder machine learning tools kunnen radiologen de interpretatie van al die extra data op geen enkele manier aan. De algoritmen zorgen ervoor dat de menselijke radioloog als een moderne centaur - helft menselijk intelligentie, helft machine intelligence - sneller en beter kan werken.”

Nederland

Post Uiterweer concludeert dat Nederland “waanzinnig” goed is op het gebied van het toepassen van machine learning voor medische beeldverwerking. Dat komt volgens hem onder andere omdat er hier drie grote onderzoeksgroepen zijn in Rotterdam, Utrecht en Nijmegen. Op al die plaatsen zitten vijftig of meer data scientists die werken aan algoritmes, en daarmee scoort Nederland op wereldschaal in de top-3 wanneer het om publicaties op dit gebied gaat. “We zijn een topspeler.” Daarmee zou Quantib wereldwijd dus wel eens een paradepaardje van de nieuwe lichting AI-bedrijven kunnen worden. De concurrentie is echter taai: de nieuwe goudkoorts rond AI zorgde in 2017 voor letterlijk honderden nieuwe startups en enorme kapitaalinjecties van venture capital bedrijven.