Gezondheid
Gezond langer leven en het beheersen van de totale kost van de gezondheidszorg zijn belangrijke uitdagingen voor de toekomst. Artificiële intelligentie kan hier op veel manieren aan bijdragen: een focus op precisiegeneeskunde, op een gepersonaliseerde behandeling van patiënten, op een meer predictieve en preventieve zorg, de ontwikkeling van nieuwe medicijnen, ...
We demonstreren het AI onderzoek in volgende toepassingen
1. Binnen de precisiegeneeskunde wordt gezocht naar de beste preventieve zorg en de meest effectieve behandeling van patiënten gebaseerd op genetische factoren en factoren uit de omgeving en levensstijl. De data waarmee gewerkt wordt is dan ook hoogdimensionaal (zie bijvoorbeeld de omics-data) en er moeten allerlei datatypes worden geïntegreerd en gecombineerd met expertkennis.
2. Klinische besluitvorming omvat het stellen van de juiste diagnose en het bepalen van de beste (persoonlijke) behandeling van patiënten. De technologische AI-uitdagingen liggen o.a. bij het creëren van interpreteerbare modellen en resultaten en bij het combineren van metingen uit verschillende types sensoren die samen tot een beter medisch inzicht kunnen leiden.
3. Binnen de ondersteuning van beslissingen in ziekenhuizen, passen we AI toe voor het nemen van beslissingen binnen de institutionele zorg, zoals een optimale patiëntenstroom en maximale inzet van middelen.
4. Het doorgedreven gebruik van persoonlijke toestellen en applicaties voor het monitoren van de eigen levenstijl en diverse lichaamsparameters zal leiden tot een grote hoeveelheid aan persoonlijke gezondheidsdata. De uitdaging is om deze data op een correcte en optimale manier te benutten voor beter en meer inzicht in de eigen gezondheid.
Precisiegeneeskunde
Single-cell technologieën
Single-cell technologieën hebben het laatste decennium een ware revolutie veroorzaakt binnen de levenswetenschappen, met een grote impact voor de farmaceutische en diagnostische industrie. Door dit soort technologieën is het nu mogelijk om weefsels en cellen tot in ongekend detail op te meten en te karakteriseren. Op die manier verwerven we nieuwe inzichten die cruciaal zijn voor verschillende medische onderzoekdomeinen, zoals onder andere kanker, neurologie, immunologie of stamcelonderzoek. Die nieuwe technieken zijn baanbrekende methoden die ons zullen toelaten om een volgende stap te zetten in de precisie-geneeskunde. Door op individueel celniveau te kijken kunnen we nieuwe biomerkers definiëren en kunnen we beter patiëntengroepen opsplitsen op basis van hun onderliggend ziektebeeld. Op die manier kunnen we tot meer gerichte therapieën te komen.
De nieuwe technologieën genereren een massale hoeveelheid data. Voor het interpreteren van die data en om er nieuwe biologische inzichten uit te halen, onderzoeken en ontwikkelen we nieuwe methoden om dit soort data te analyseren.
Het onderzoek binnen het Vlaams AI-Onderzoeksprogramma
Die nieuwe technologieën genereren een massale hoeveelheid data. Voor het interpreteren van die data en om er nieuwe biologische inzichten uit te halen, zetten we in op het ontwikkelen van nieuwe methoden om volgende types data te analyseren:
- Single-cell transcriptomics data: hier wordt een proces opgezet voor automatische voorverwerking en kwaliteitscontrole van de data en is een nieuwe methode ontwikkeld om interacties tussen cellen te voorspellen
- Single-cell imaging data: hier wordt gewerkt aan automatische segmentatie van subcellulaire structuren in 3D electronenmicroscoopbeelden.
Resultaten
Die nieuwe technologische mogelijkheden laten ons toe om biologische systemen beter en meer gedetailleerd in kaart te brengen, wat tot nieuwe inzichten en behandelingen kan leiden.
- In samenwerking met UZ Gent werd een nieuwe pipeline ontwikkeld om single-cell data van Covid-19-patiënten te analyseren om zo nieuwe inzichten te verwerven in de immuunrespons op de ziekte. Die data stelden we ook publiek ter beschikking in het kader van het internationaal Covid-19 Cell Atlas project. In samenwerking met UZ Leuven werden machine learning technieken ontwikkeld om automatisch immuundata van Covid-19-patiënten te analyseren. Dit leidde tot de ontdekking van vier verschillende groepen van immuunresponsen, die correleren met klinische parameters.
- Er werd een nieuwe methode, NicheNet, ontwikkeld om interacties tussen cellen te leren. Deze methode werd ook al toegepast op data van hoofd- en nekkanker, en op data van de lever, waar de methode leidde tot nieuwe inzichten in de interactie tussen immuuncellen en levercellen.
Contact
- Contactpersoon: Yvan Saeys (UGent/VIB)
- Onderzoeksgroepen: UGent (IDLab, DAMBI, GAIM, KERMIT), imec, VIB
Meer informatie
Behandeling van patiënten met Multiple Sclerose (MS)
Multiple Sclerose (MS) is een aandoening van het centrale zenuwstelsel. Personen met MS moeten snel de juiste behandeling krijgen, maar juiste therapie op het juiste moment voor de juiste personen vinden, is erg moeilijk. Dokters, personen met MS en beleidsmakers hebben hulp nodig om beslissingen rond behandelingen te nemen. Artificiële intelligentie kan hierbij helpen.
Het onderzoek binnen het Vlaams AI-Onderzoeksprogramma
We focussen in dit onderzoek op drie grote klinische uitdagingen:
- Uitdaging 1: welke behandeling is het best voor een bepaalde patiënt? Het ontwikkelen van ondersteunende systemen bij de besluitvorming in echte situaties.
- Uitdaging 2: werkt de behandeling? Het identificeren van nieuwe biomerkers voor het meten van de ziekte-activiteit/progressie.
- Uitdaging 3: kunnen we het niveau van de indivuduele patiënt bereiken door op te schalen? Het ontwikkelen van tools en methodologieën om de opschaling van toegepast MS-gegevensonderzoek te ondersteunen.
Resultaten
- Het Global Data Sharing Project, onder leiding van de Universiteit Hasselt, bracht al meer dan 40 partners over de hele wereld samen om het effect van de Covid-19-pandemie te bestuderen in de chronische aandoening multiple sclerosis. Op enkele maanden tijd slaagden zij erin om gegevens uit meer dan 80 landen samen te brengen en te analyseren. Daardoor kon het wereldwijde Covid-19-advies voor personen met multiple sclerosis herzien worden voor de zomer van start ging. Dit advies was op enkele dagen tijd beschikbaar in 14 verschillende talen. Het multidisciplinaire team van het Vlaams AI-Onderzoeksprogramma was verantwoordelijk voor het uitbouwen van de data infrastructuur die in dit initiatief gebruikt werd.
- Een proof-of-concept werd gerealiseerd die een beyond-state-of-the-art beslissings ondersteunings systeem (DSS) biedt om de progressie van MS te voorspellen. Door AI algoritmes te ontwikkelen die beter omgaan met het ontbreken van trajctory data, slaagden we erin een DSS te bouwen die een betere performantie geeft dan wat tot op heden gerapporteerd werd in de literatuur, specifiek op het vlak van onderscheiden, calibratie en interpreeteerbaarheid van de resultaten van het algoritme.
Contact
- Contactpersoon: Liesbet M. Peeters, UHasselt
- Onderzoeksgroepen: KU Leuven (DTAI, STADIUS, ITEC), UAntwerpen (VisionLab), UGent (IDlab, KERMIT), UHasselt (IMIN)
Meer informatie
Klinische besluitvorming
Medische beeldverwerking
De medische besluitvorming bij diagnoses, het inplannen van therapieën en de vervolgtrajecten erop, steunen altijd stevig op de 2D- en 3D-medische beelden van patiënten, zoals bijvoorbeeld: RX, CT, MRI, PET en US. De medische beeldvorming staat daarbij ook niet stil. Er is een voortdurende technologische vooruitgang, maar daardoor neemt de druk ook enorm toe op de hoeveelheid medische data die geanalyseerd moet worden. De dagelijkse data van routineuze klinische processen zorgt voor een hoge werkdruk op radiologische diensten. Radiologische beeldvorming is bijzonder complex om te lezen: het vereist een duchtige voorkennis en grondige expertise om subtiele patronen te herkennen en te detecteren in beelden en om een onderscheid te kunnen maken tussen normale en abnormale bevindingen. Steeds vaker halen klinische applicaties voordeel uit de kwantificatie van specifieke anatomische of functionele parameters die in de beeldvorming belangrijk zijn. Dit kunnen volgende parameters zijn: de positie waar het beeld gemaakt is, de grootte, het volume, de vorm, de densiteit, … Een dergelijke kwantificering omvat vaak een nauwkeurige 3D-lokalisatie en de afbakening van anatomische objectgrenzen in de afbeeldingen. En dit van zowel de normale anatomie als de pathologie. Wanneer een deskundige die analyses handmatig moet uitvoeren, is dit een vervelende en heel tijdrovende klus. Daardoor is er een grote nood aan betrouwbare, geautomatiseerde, computerondersteunde beoordeling en kwantificering voor klinische beeldvorming. Dit zowel voor het ondersteunen van het nemen van beslissingen in radiologie, oncologie, cardiologie, neurologie, chirurgie en nog veel meer andere medische disciplines.
Het onderzoek binnen het Vlaams AI-Onderzoeksprogramma
Binnen deze toepassing ontwikkelen we machine learning technieken en implementeren ze in AI-hulpmiddelen. We willen nagaan welk klinisch potentieel er schuilt in een aantal verschillende toepassingen die methodologisch gerelateerd zijn aan verscheidene klinische besluitvormingsprocessen, gaande van applicaties in radiologie en stralingstherapie zoals hieronder beschreven. Die applicaties zijn afhankelijk van variabele hoeveelheden trainigsdata en van bepaalde proiritering van beeldstructuren waardoor ze niet-triviale en informatieve test cases opleveren voor AI-methoden. Taken kunnen grofweg worden onderverdeeld in classificatie-, regressie- en beeld-/volume- segmentatieproblemen.
Het direct toepassen van deep-learning strategieën die al succesvol zijn geweest in verwante computervisietoepassingen op medische beeldvorming data zijn uitdagend vanwege de aarde van de data zelf (3D, multimodaliteit), de beperkte trainingsgegevens die doorgaans beschikbaar zijn (honderden i.p.v. miljoenen afbeeldingen), de nood aan deskundige input om de klinisch relevante prestaties te beoordelen (sommige afwijkingen zijn belangrijker dan andere) en door het feit dat experten het soms oneens zijn door de ambiguïteit van de beelden.
Resultaten
Dit onderzoek is in 2020 nuttig ingezet in het kader van de covid-19-pandemie. CT beelden van longen leveren namelijk nuttige informatie om de ziekte beter te begrijpen en de evolutie bij patiënten op te volgen. Artificiële intelligentie (deep learning) wordt gebruikt om zo correct en automatisch mogelijk in de beelden de longen en longlaesies (abnormale zones in de longen) aan te duiden. Onderzoeksgroepen van de KU Leuven (PSI), en VUB (ETRO) hebben methodes voor een snelle analyse van CT-beelden van longen onderzocht, ontwikkeld en met elkaar vergeleken. De resultaten van het onderzoek zijn gebruikt in het Icovid project, een pro bono project dat was opgestart door verschillende ziekenhuizen en onderzoeksinstellingen. De resultaten zijn ook door icometrix NV opgenomen en geïntegreerd in de cloud-gebaseerde beeldverwerkingsservice “icolung[1]” . Icolung wordt dagelijks wereldwijd wordt gebruikt[2]. Het Icovid project heeft voor verder onderzoek subsidies bekomen in het kader van het Europese Horizon 2020 programma. Meer dan 800 ziekenhuizen in Europa maken dagelijks gebruik van de service om CT-beelden te verwerken.
Contact
- Contactpersonen: Matthew Blashko, Frederik Maes (KU Leuven), Hichem Sahli VUB ETRO
- Onderzoeksgroepen: KU Leuven (PSI), en VUB (ETRO), UHasselt (CENSTAT)
Meer informatie
Automatische aanvalsdetectie voor epilepsiepatiënten in een thuisomgeving
In ons land hebben zo’n 60.000 mensen epilepsie. Ondanks hun medische behandeling heeft 1 op 3 last van plotse en onvoorziene epileptische aanvallen. De meeste epileptische aanvallen gebeuren thuis, dus niet in het bijzijn van zorgverleners en ziekenhuisapparatuur. Daarom is er nood aan een methode die de patiënt kan helpen buiten de ziekenhuisomgeving.
Het onderzoek binnen het Vlaams AI-Onderzoeksprogramma
KU Leuven, UGent en UHasselt werken samen met het UZ Leuven aan de ontwikkeling van een AI-methode die zo accuraat mogelijk voorspelt wanneer een patiënt een volgende epileptische aanval zal krijgen of wanneer het risico op een aanval significant toeneemt. Met die informatie kan de patiënt zichzelf op termijn beter monitoren en kan de behandelende neuroloog een beter zicht krijgen op de medische toestand van de patiënt.
We willen de nieuwe algoritmes valideren aan de hand van retrospectieve klinische datasets voor de volgende drie uitdagingen:
- Uitdaging 1: een verbeterde kwantificering van biomedische signalen voor de detectie van aanvallen.
- Uitdaging 2: een verbeterde (multimodale) classificatie.
- Uitdaging 3: een verbeterde en vereenvoudigde personalisatie van aanvalsdata.
Er zijn enkele typische onderzoekuitdagingen voor de automatische detectie van epileptische aanvallen waar we rekening mee moeten houden: signalen zijn van slechte kwaliteit, de datasets zijn sterk ongebalanceerd omdat epileptische aanvallen niet zo vaak voorkomen, er is een grote patiëntafhankelijkheid, er zijn veel verschillende types van epileptische aanvallen en er is nood aan een real-time detectie en waarschuwing.
Contact
- Contactpersoon: Maarten De Vos, KU Leuven, STADIUS
- Onderzoeksgroepen: KU Leuven (STADIUS, DTAI, ITEC), UGent (IDLab, KERMIT, VIB) en UHasselt (CENSTAT)
- In samenwerking met UZ Leuven (Wim Van Paesschen)
Meer informati
- Onderzoek naar epilepstische aanvallen
- Publicaties uit het AI-Onderzoeksprogramma
- Chatzichristos C, Dan J., Narayanan, A. M. , Seeuws, N., Vandecasteele K., De Vos, M. , Bertrand A. and Van Huffel, S. "Epileptic Seizure Detection in EEG via Fusion of Multi-View Attention-Gated U-net Deep Neural Networks", submitted to the 2020 IEEE Signal Processing in Medicine and Biology Symposium (IEEE SPMB 2020).
- G. Vandewiele, F. Ongenae, F. De Turck, GENDIS: GENetic Discovery of Shapelets, submitted to Evolutionary Computation, Arxiv link.
Ondersteuning van beslissingen in ziekenhuizen
Optimale patiëntenstroom in ziekenhuizen via een betere voorspelling van de ligduur
Optimale patiëntenstroom in ziekenhuizen via een betere voorspelling van de ligduur
De zorgkosten nemen wereldwijd toe. Volgens sommige schattingen zouden de kosten voor de gezondheidszorg tegen 2050 meer dan 20% van het bruto binnenlands product (bbp) van verschillende landen bedragen. Daarvoor wordt een niet-optimaal gebruik van de medische middelen genoemd als een van de redenen. Ligduur is een belangrijke parameter bij de ziekenhuisplanning om operaties, diagnostische ziekenhuisopnames en de bijhorende logistiek te plannen. Optimale ligduurkan potentieel het beheer en gebruik van middelen van een ziekenhuis, de kwaliteit van de zorg, de prestaties, het niveau en het gebruik van verworven technologie verbeteren. Verder kan het helpen bij het optimaliseren van geplande bezoeken, bijvoorbeeld voor een operatie, en kan het leiden tot kortere wachttijden voor patiënten. Een optimale patiëntenstroom kan de patiënttevredenheid en kostenbesparingen verhogen.
Het onderzoek binnen het Vlaams AI-Onderzoeksprogramma
Ons doel is om op AI-gebaseerde benaderingen te onderzoeken die rekening houden met de specifieke aandoeningen van de patiënt en met de evolutie van de toestand van de patiënt om nauwkeurigere modellen te creëren voor het schatten van de ligduur. We voorspellen de ligduur van patiënten uit een groot aantal eigenschappen van de patiënten en gebruiken hiervoor AI-geassisteerde data wrangling-methodes om de data in het gepaste formaat om te zetten.
Uitdagingen bij dit onderzoek zijn:
- Uitdaging 1: Heterogene patiënten populaties
- Uitdaging 2: Detectie van uitschieters
- Uitdaging 3: Tijdsaggregatie
- Uitdaging 4: Real-time verwerking
Resultaten
Door RNN (recurrent neural networks) and transfer learning technieken toe te passen, hebben we een efficient LoS predictie model gebouwd die patient-specifieke informatie combineert met gemeenschappelijke informatie van diverse ziekenhuis afdelingen. Dit nieuwe model biedt een meer granulaire informatie stroom aan het planningsteam van het ziekenhuis door een voorspelling te bieden in elke afdeling. We toonden aan dat deze aanpak een betere voorspelling biedt dan het gebruik van een uniek model om alle beschikbare patient gegevens in te voeren, wat doorgaans gebeurd in de klinische praktijk vandaag.
De gebruikte AI methodes maakten gebruik van neurale netwerken om temporale informatie te leren overheen de patient data and transfer learning technieken om het trainen van het model te versnellen. In een volgende stap van het onderzoek zal een benchmark uitgevoerd worden op de publieke MIMIC-IV dataset.
Contact
- Contactpersoon: Bart De Moor (KU Leuven- ESAT-STADIUS)
- Onderzoeksgroepen: KU Leuven (ESAT-STADIUS), UGent (IDLab)
- In samenwerking met UZ LEUVEN (Frank Rademakers)
Gezondheidsdata
Een platform voor het beheer van persoonlijke gezondheidsdata door burgers
Zie beschrijving binnen het toepassingsdomein 'Overheid & Burgers'.
