Neuroloog en ingenieur Michel van Putten - hij promoveerde in 2000 in de technische natuurkunde aan de Technische Universiteit Delft en werd in hetzelfde jaar geregistreerd als neuroloog - doet al ruim twintig jaar onderzoek naar hersenen. De afgelopen jaren richt hij zich bij de Universiteit Twente op de vraag hoe kunstmatig intelligente computersystemen kunnen assisteren bij het analyseren van hersenfilmpjes (EEG).
Om de activiteit van onze hersenen vast te stellen wordt een bijna honderd jaar oude meettechniek gebruikt: de elektro-encefalografie (EEG). EEG is een in 1924 ontdekte methode om de elektrische activiteit van de hersenen te meten, zoals slaapstoornissen of epilepsie.
Een EEG-signaal wordt weergegeven als een aantal grafieken, waarin de gemeten spanning op de verticale as staat en de tijd op de horizontale as. Het uiterlijk van deze grafiek kan informatie geven over de staat waarin de hersenen zich bevinden, bijvoorbeeld of iemand slaapt, zich juist inspant of ontspannen is. Vergelijk het met een elektrocardiogram of ECG - een ‘filmpje’ van het hart – waarbij een EEG een hersenfilmpje is.
Tijdsintensief
In Nederland worden zo’n 250.000 tot 300.000 EEG’s per jaar gemaakt. Het beoordelen van een EEG gebeurt door neurologen. Voor het beoordelen van zo’n grafiek heb je een getraind oog nodig. “De review tijd voor het beoordelen van een EEG en vervolgens de verslaglegging, wordt geschat op zo’n 30 tot 60 minuten. Net als bij radiologie is er op papier een interessante business case te maken wanneer een AI-systeem in staat is om de analyse deels automatisch uit te voeren”, aldus neuroloog Michel van Putten.
Bovendien is de leercurve voor het analyseren van EEG’s steil bij mensen: het duurt een tijd voordat je de vaardigheden hebt om EEG’s te kunnen analyseren. Ook is de capaciteit schaars en niet in alle ziekenhuizen beschikbaar. Getrainde neurologen zijn niet 24/7 beschikbaar, terwijl een computer wel dag en nacht kan blijven draaien.
Patronen herkennen
Binnen de Universiteit van Twente wordt onderzocht of deep learning ingezet kan worden en goed werkt om EEG-beelden te kunnen analyseren. Van Putten: “Inmiddels weten we door onderzoek naar deep learning en beschikbare databases als DeepNet dat deep learning modellen in staat zijn om foto’s en beelden te herkennen, patronen te ontdekken en accuraat te kunnen labelen. De grote belofte is dat het door deze technologie mogelijk wordt betrouwbaarder, sneller en goedkoper vast te stellen of afwijkingen in een EEG aanwezig zijn.”
Deep learning
Machine learning is de naam voor een toolbox van wiskundige en statistische technieken waarmee computers ‘leren’ om te leren: door middel van ervaring kunnen ze verbeteren bij het uitvoeren van bepaalde taken. Binnen dit brede gebied van machine learning bevindt zich de kleinere subcategorie deep learning.
Deep learning richt zich nog nauwer op een subset van machine learning tools en technieken door de inzet van diepe neurale netwerken. Neurale netwerken zijn in staat om structuren te ontdekken in ongestructureerde en ongelabelde data, zoals medische beelden, afbeeldingen of in dit geval EEG’s – ook een soort afbeelding. Een van de problemen waar deep learning in uitblinkt, is het verwerken en bundelen van deze ruwe data. Oftewel: het onderscheiden van patronen in gegevens die de menselijke cognitieve capaciteiten te boven gaan, of die lastig georganiseerd kunnen worden zonder krachtige computers.
Een belangrijke uitdaging 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 beter volgen waarom de software met bepaalde adviezen komt.
Uitkomst na een coma
In 2018 werd de kracht van deep learning voor het analyseren van EEG’s al aangetoond. De onderzoeksvraag was: kan een deep learning model hersenfilmpjes van vrouwen en mannen onderscheiden? Daarvoor werd een model getraind met vele voorbeelden van EEG’s. Na het trainen was de computer in staat om uit de hersengolven mannen en vrouwen te herkennen.
“Sinds kort zijn we gestart om te onderzoeken of het mogelijk is met deep learning – een specifiek onderdeel van de kunstmatige intelligentie – EEG patronen karakteristiek voor patiënten met epilepsie betrouwbaar te analyseren. Hierbij trainen we neurale netwerken met zeer grote hoeveelheden EEG-data en proberen zo de computer te laten 'leren' van deze patronen”, aldus Van Putten.
De onderzoeksgroep aan de Universiteit Twente richt zich op de potentie van deep learning voor twee subgebieden: de prognose van patiënten die op de intensive care belanden na een reanimatie, en het herkennen van anomalieën die voorkomen bij epilepsie. “In Nederland hebben we de beschikking over een grote database van bijna 1000 patiënten die in coma hebben geleden. Vijf medische centra werkten hiervoor samen en dat levert een database met betrouwbare data inclusief labels op, zeer geschikt voor onderzoek.”
“Het kunnen voorspellen van de uitkomst voor mensen die in coma belanden, is een belangrijk gebied voor klinisch onderzoek. Door onze onderzoeksgroep is er een prototype van een voorspellings-algoritme ontwikkelt, die een trendcurve en een voorspelling toont van de neurologische uitkomst van de patiënt die in coma is geraakt, op basis van diens EEG.”
Naar de kliniek
Van Putten is mede-eigenaar van Clinical Science Systems, een bedrijf EEG-analyse software ontwikkelt voor neurologen en op intensive cares. “Dit is een software-systeem om EEG’s op een monitor aan het bed te laten zien. In deze clinical-support software zitten momenteel al prognose modellen, maar die zijn nog niet op kunstmatige intelligentie gebaseerd. Na de interne en externe validatie willen we het deep learning model integreren in deze clinical-support software. De gedachte is dat er een trendcurve te zien is met drie gebieden – bijvoorbeeld rood, groen en grijs – die in één oogopslag duidelijk maken wat de prognose voor een patiënt is en wat de onderbouwing voor deze score is, samen met de ruwe EEG-data. Dit kan de intensivist of neuroloog ondersteunen bij de besluitvorming.”
“We gaan dit prototype in de kliniek onderzoeken: het Medisch Spectrum Twente en in het Rijnstate Ziekenhuis gaan in de loop van dit jaar een klinische test doen. Het is belangrijk om klinische testen te kunnen opzetten met de software, anders blijft veelbelovend onderzoek hangen in een proefschrift.”
Detectie van epileptiforme afwijkingen
Een tweede belangrijk gebied voor klinisch onderzoek is diagnostiek van epilepsie, een hersenaandoening die zich uit in de vorm van aanvallen. Aanvallen ontstaan door een plotselinge, tijdelijke verstoring van de elektrische prikkeloverdracht in de hersenen.
“We hopen door deep learning modellen toe te passen, deze plotselinge verstoringen (epileptiforme afwijkingen) in de hersenen te kunnen detecteren. Hier zijn twee algoritmes voor ontwikkeld, die verwerkt zijn in een cloud-oplossing voor ziekenhuizen. We hopen deze software eind van dit jaar te kunnen gaan testen.”
De aanpak hierbij is EEG’s op de reguliere manier én via het AI-systeem te laten beoordelen. “We vragen een groep neurologen uit binnen- en buitenland om de EEG’s van patiënten te labelen. Deze labels vergelijken we daarna met de labels die de software aan de EEG’s heeft toegekend. Zo kunnen we in een benchmark met klinisch professionals beoordelen hoe de software presteert.”
Als neuroloog en ondernemer is Van Putten optimistisch over de grote sprongen die op dit moment gemaakt worden binnen hersenonderzoek en de inzet van AI en deep learning. “EEG’s zijn een rijke bron van informatie. Deep learning gaat disruptief zijn in het aankomende decennium: bij het diagnosticeren van hersenaandoeningen, en bij het assisteren van routines die ‘alleen door mensen’ gedaan zouden kunnen worden. Daar ben ik van overtuigd.”
Trackbacks & Pingbacks
[…] neuroloog analyseert hersenfilmpjes met […]
Plaats een Reactie
Meepraten?Draag gerust bij!