Altius. 2020
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
8
Wat is kunstmatige Intelligentie?
Met de term “Kunstmatige intelligentie” worden
computersystemen bedoeld die gedrag vertonen
waar normaal gesproken intelligentie voor vereist
is. Het vakgebied kunstmatige intelligentie
houdt zich bezig met het ontwerpen en bouwen
van intelligente machines en software. In dit verband
komen ook de termen Machine Learning en
Deep Learning veel voor. Formeel gezien is Machine
Learning het deel van kunstmatige intelligentie
dat statistische methodes toepast om systemen te
bouwen die kunnen leren van ervaring. Deep learning
is daar weer een kleiner onderdeel van, waarbij
de software (het artificiële neurale netwerk) zichzelf
traint op basis van grote hoeveelheden data.
Wat verandert er voor de MBB’er?
Voor de hand liggende voorspellingen zijn dat
AI-applicaties de reproduceerbaarheid van technische
protocollen zullen verhogen, dat de beeldkwaliteit
hoger zal worden tegen een lagere dosis,
dat MRI-acquisitie korter zal duren en dat CT- en
MRI-scanners optimaal gebruikt en bemenst kunnen
worden. Dergelijke trends zullen het werk van
de MBB’er vereenvoudigen en versnellen [2].
Een voorbeeld hiervan is de patiënt positionering.
In 95% van de acquisities kan de centrering van de
patiënt verbeterd worden [3] [4]. Deze centrering is
belangrijk voor een optimale orgaan dosis en
en beeldkwaliteit bij CT-scans. AI kan helpen om
de patiënt positionering te automatiseren door
het toepassen van 3D en infraroodcamerasystemen
die de richting, vorm, positionering van de
patiënt en de bijpassende dosis profielen kunnen
bepalen.
Ook dit soort systemen zullen een deel van het
handwerk dat nu door de MBB’er wordt gedaan,
doen vervallen. Echter, nieuwe taken zullen verschijnen
en voor een andere invulling van het beroep
gaan zorgen. In een rapport van de ASRT [1]
komt naar voren dat respondenten een procedure
missen voor het omgaan met discrepanties
tussen de machine-voorgestelde procedure en
de beoordeling door de MBB’er. Daarnaast geeft
dit rapport aan dat de meeste MBB’ers het nut
inzien van kunstmatige intelligentie om veiligheid
en kwaliteit te verbeteren, maar dat ze zich
zorgen maken over achteruitgang van de meer
menselijke aspecten van het werk, zoals de interactie
met de patiënt en creativiteit.
Hoe bereid ik me voor op de toekomst?
Hoewel deep learning veelbelovend is en er
enorm veel mogelijkheden zijn, is het belangrijk
om kritisch te blijven. De systemen die nu op de
markt komen zijn vrijwel uitsluitend zogenaamde
‘one-trick ponies’ die slechts een enkele taak kunnen
uitvoeren. Daarnaast zijn deze systemen nog
verre van perfect en maken ze fouten, bijvoorbeeld
door gebrek aan generaliseerbaarheid. Dat
komt met name door de manier waarop de systemen
getraind worden. Zoals gezegd zijn hier in
het geval van deep learning vaak grote datasets
voor nodig, die in de radiologie lastig te vergaren
zijn. Dit is een belangrijk verschil met beeldherkenning
van bijvoorbeeld gezichten of alledaagse
objecten, waar datasets van vele miljoenen
beelden gebruikt worden om de systemen te
trainen. Over het algemeen geldt: hoe groter de
trainingset, hoe kleiner de kans op fouten en hoe
beter de generaliseerbaarheid van het systeem.
Daartegenover staat dat systemen die op deze
manier getraind worden gevoelig zijn voor bias
in de trainingset. Kan een algoritme dat op een
dataset met Noord-Amerikaanse of Aziatische
patiënten getraind is zomaar hier in Nederland
ingezet worden? Het antwoord op die vraag