AI staat op het punt een onmisbare medische diagnostische tool te worden

Nieuwe hulpmiddelen voor oude diagnoses

Sinds het begin van de geneeskunde vertrouwen veel diagnostische methoden op visuele inspectie van een patiënt. Dit geldt nog steeds voor oorinfecties, die meestal een ervaren arts vereisen voor een juiste diagnose.

In dit specifieke geval zijn de ervaring en vaardigheid van de arts erg belangrijk, zoals eerdere studies van clinici hebben gerapporteerd dat de diagnostische nauwkeurigheid van AOM varieert van 30% tot 84%, afhankelijk van het type zorgverlener, opleidingsniveau en de leeftijd van de onderzochte kinderen.

Als gevolg hiervan worden veel oorinfecties verkeerd gediagnosticeerd als otitis media met effusie, of vocht achter het oor, een aandoening die over het algemeen geen bacteriën bevat en niet profiteert van antimicrobiële behandeling.

Maar er is nu een nieuw hulpmiddel ontwikkeld om artsen te helpen, gebaseerd op de opkomst van AI‑machinevisie, samen met de alomtegenwoordigheid van smartphones. En het kan helpen onnodig gebruik van antibiotica te verminderen, wat leidt tot de problematische opkomst van antibioticaresistentie.

“Onderdiagnose leidt tot onvoldoende zorg en overdiagnose leidt tot onnodige antibiotische behandeling, wat de effectiviteit van momenteel beschikbare antibiotica kan ondermijnen. Ons hulpmiddel helpt de juiste diagnose te stellen en de juiste behandeling te begeleiden.”
Alejandro Hoberman, M.D., professor kinder­geneeskunde en directeur van de Division of General Academic Pediatrics aan Pitt’s School of Medicine.

Bron: UPMC

Het is ook een zeer veelvoorkomend probleem, waarbij 70% van de kinderen in hun eerste levensjaar een oorinfectie krijgt.

AI Diagnose

Prof. Hoberman werkte samen met onderzoekers van de Tandon School of Engineering in NY, het Bosch Center for Artificial Intelligence in Pittsburgh, en Dcipher Analytics in Stockholm, Zweden, om een AI‑hulp­middel voor detectie van oorinfecties te ontwikkelen.

Ze publiceerden hun bevindingen in JAMA Pediatrics, onder de titel “Ontwikkeling en validatie van een geautomatiseerde classifier om acute otitis media bij kinderen te diagnosticeren.”

Het resulterende AI‑hulp­middel vereist alleen een otoscoop die is aangesloten op een smartphonecamera.

Ze creëerden twee verschillende AI‑modellen en gebruikten een database van 1.151 video’s van het trommelvlies van 635 kinderen. Vervolgens vroegen ze experts om elke video handmatig te annoteren als zijnde een oorinfectie of niet.

921 video’s werden gebruikt om de AI te trainen, en de resterende 230 video’s werden gebruikt als test om de nauwkeurigheid van de AI’s te beoordelen.

Onder de gemeten parameters voor correcte diagnostiek vielen de vorm, kleur, positie en doorzichtigheid van het trommelvlies.

Bron: UPMC

Superieure medische resultaten

Beide modellen waren zeer nauwkeurig, met een sensitiviteit van 9,38% en een specificiteit van 93,5%. Dit betekent dat de AI’s niet alleen de infectie nauwkeurig detecteerden, maar ook een zeer laag aantal vals‑negatieven en vals‑positieven hadden.

Het is ook de moeite waard op te merken dat dit een betere nauwkeurigheid is dan zelfs de beste resultaten verkregen door visuele identificatie door artsen, en veel hoger dan de resultaten verkregen onder minder ideale omstandigheden (jongere kinderen, ongetrainde artsen, enz.).

De video kan worden opgenomen en gearchiveerd. Deze kan eerst worden gebruikt om de diagnose aan de patiënt of de ouders van de patiënt uit te leggen en worden bewaard in het patiëntendossier. De opgenomen video’s kunnen ook worden gebruikt om medische studenten of bewoners te trainen en een waardevol leermiddel bieden voor ziekenhuizen en medische praktijken.

Het zou ook huisartsen moeten helpen de juiste diagnose te stellen en de overvoorschrijving van antibiotica te verminderen.

De eenvoud van de implementatie van dit hulpmiddel, waarbij alleen een smartphone van de arts en een otoscoop worden gebruikt, zou ook een zeer snelle uitrol en gemakkelijke adoptie moeten mogelijk maken.

AI Diagnostische bedrijven

Voor lange tijd werkte het toepassen van AI op complexe omgevingen zoals het menselijk lichaam niet, omdat het moeite had met de ‘rommeligheid’ van de geleverde data.

Nieuwe technologieën zoals neurale netwerken hebben dit veranderd, door ‘machinevisie’ te creëren, waarvan enkele van de bekendere toepassingen zelfrijdende auto’s zijn.

Veel medische diagnoses vandaag de dag blijven nog steeds afhankelijk van de mening van artsen en de expertise die voortkomt uit het handmatig bestuderen van duizenden beelden van scanners, MRI’s en ook trommelvliezen. Als AI’s nu kunnen bepalen waar fietsers zich op de weg bevinden, worden ze ook beter, zo niet beter dan mensen, in het detecteren van infecties, tumoren en andere medische problemen.

Veel grote bedrijven integreren AI in hun beeldvormingssystemen, zoals GE Healthcare, Siemens Healthineers , Canon Medical en Philips. Echter, door de omvang van deze bedrijven zijn ze nauwelijks pure spelers in AI‑medische diagnostiek.

Andere meer gerichte startups zijn privé genoteerd, zoals PathAI en Viz.AI bijvoorbeeld. Daarom hebben we ons op beursgenoteerde aandelen gericht.

1. Butterfly Network

Butterfly is zowel de ontwikkelaar van een geavanceerd ultra‑portabel echografie‑diagnostisch hulpmiddel als van geïntegreerde software die AI gebruikt om diagnoses te ondersteunen, genaamd “Compass”.

Bron: Butterfly Network

Het bedrijf zit nu op de 3^de generatie van de echografieprobe, met de release in 2024 van de iQ3, met een hogere gegevensoverdrachtsnelheid en 2× de verwerkingskracht van de vorige versie. Net als alle eerdere Butterfly‑echografieprobes maakt het gebruik van superieure halfgeleidertechnologie “ultrasound‑on‑chip” in plaats van klassieke piezo‑elektrische sensoren.

iQ3 biedt een superieure gebruikerservaring, inclusief de mogelijkheid om zowel 3D als multi‑vlakken simultaan te visualiseren, geïntegreerde cloud‑software, en een snelle opstart, alles voor een lagere prijs.

Het bedrijf gebruikt AI om de beelden te verbeteren, diagnose‑relevante metingen automatisch te genereren, evenals training/onderwijspraktijk te bieden.

Bron: Butterfly Network

Butterfly breidt zich snel uit naar nieuwe markten in Azië (Singapore, Indonesië, Filipijnen, enz.), en ook in de veterinaire markten, bijvoorbeeld voor het controleren van de gezondheid van vee in voederplaatsen, waarbij de ultra‑portabiliteit van hun echografietool wordt benut.

2. Enlitic (ENL.AX)

Enlitic heeft een AI‑systeem ontwikkeld om radiologische beelden te analyseren en automatisch gestandaardiseerde beschrijvingen van de beelden te genereren. Dit vertegenwoordigt dus de volgende stap in big‑data van radiologische beelden, na de adoptie van technische standaarden zoals DICOM of HL7.

Daartoe maakt Enlitic’s technologie gebruik van computer‑visie en natuurlijke taalverwerking om DICOM‑beelden te analyseren, waarbij verschillende parameters worden geïdentificeerd zoals lichaamsdelen, oriëntatie, contrast en slice‑dikte voor CT-, MR- en röntgenbeelden.

Bron: Enlitic

Dit soort standaardisatie zal vereist zijn voor de voortgang van AI in radiologie, evenals telemedicine en automatisering. Het zal interoperabiliteit tussen systemen bieden, afhankelijk van een betrouwbaar labelingsysteem.

Het zou ook moeten helpen bij de monetisatie van deze data door ziekenhuizen en radiologiecentra, om geanonimiseerde en gestandaardiseerde data te leveren voor andere AI‑trainingen.