Voor mijn afstuderen aan Applied Data Science & AI (Windesheim) bouwde ik, in samenwerking met de afdeling Radiologie van Isala, een detectiemodel voor hersenmetastasen op T1-gewogen contrastversterkte MRI-scans. Metastasen in de hersenen zijn vaak klein en talrijk — voor een radioloog een tijdrovende en foutgevoelige taak om ze stuk voor stuk handmatig te markeren. Dit onderzoek richtte zich op de vraag of een getraind model daarbij kan ondersteunen.
De aanpak
Het model is gebouwd met nnDetection, een self-configuring detectieframework dat specifiek ontwikkeld is voor medische beeldvorming. In plaats van handmatig een architectuur en trainingsinstellingen te kiezen, bepaalt nnDetection dit automatisch op basis van de eigenschappen van de dataset — wat het model robuuster maakt tegen de variatie die in echte klinische scans voorkomt.
Resultaat
Op de validatieset behaalde het model een sensitiviteit van 93,6% — het mist dus zeer weinig daadwerkelijke metastasen — bij gemiddeld 4 false positives per scan. Voor een detectietaak in de radiologie, waar het missen van een laesie zwaarder weegt dan een extra controle van een vals-positieve bevinding, is dat een sterk resultaat.
Belangrijk om te vermelden
Dit is een afstudeeronderzoek, geen goedgekeurd medisch hulpmiddel. Het model is niet klinisch gevalideerd of gecertificeerd en wordt niet gebruikt in de patiëntenzorg bij Isala. De waarde zit in het aantonen dat een specialistisch, zelfconfigurerend model op deze taak toegevoegde waarde kan bieden.
Wat dit voor u betekent
Medische beeldherkenning is een specialistische en streng gereguleerde toepassing van AI. Maar de onderliggende aanpak — data grondig begrijpen, een model kiezen dat past bij het probleem, en eerlijk rapporteren over wat het wel en niet goed doet — is dezelfde die ik toepas bij data-analyse en AI-oplossingen voor het MKB. Lees de volledige technische uitwerking van dit onderzoek.