Naar de holy grail van medical imaging
Al tientallen jaren maken ziekenhuizen allerhande scans. Tot nog toe beoordeelde de specialist die op het oog, maar tegenwoordig kunnen ook computers ze interpreteren en de arts een diagnoseadvies geven. Een stap verder is die computers, met slimme algoritmen aan boord, los te laten op big databases van medical images van tienduizenden patiënten gemaakt over langere tijd. Dan kunnen ze ook voorspellen en behandeladviezen geven. Daaraan werken wetenschappers, medici en medische-technologiebedrijven samen, zoals in het Medical Delta Imaging Institute (MDII).
- Vertaling van analyse van scans naar normmodellen leidt tot meer diagnostische en voorspellende waarde.
- ‘In belang van de volksgezondheid dat scannerleveranciers meer gaan samenwerken.’
- ‘Medische beelden hadden vroeger veel lagere resolutie dan nu – ze zijn niet zomaar te vergelijken.’
Het MDII is een samenwerkingsverband van ‘internationaal leidende’ wetenschappers, medici en medische-technologiebedrijven. Zij ontwikkelen innovatieve imaging-based 
technologieën voor het diagnosticeren, voorspellen en behandelen van hart- en vaatziekten en neurologische aandoeningen. Ook gaan ze na of deze technologieën bijdragen aan de volksgezondheid en, zo ja, hoe die daarvoor toepasbaar kunnen worden gemaakt. Daartoe werken industriële partners (als Philips Healthcare, GE HealthCare en analysesoftwareontwikkelaar Medis) samen met de universiteiten, c.q. hun medische centra, van Leiden, Delft en Rotterdam. Erik van Oorschot, business director van MDII: ‘In Rotterdam, binnen de onderzoeksgroep van Wiro Niessen, is de focus vooral op de analysesoftware, in Delft concentreert men zich op de beeldvormende apparatuur, terwijl in Leiden het accent ligt op het goed toepasbaar maken van die hard- en software voor de arts.’
Algoritmen
MDII-onderzoeker Lucas van Vliet, hoofd van de afdeling Imaging Physics van de TU Delft, stelt dat met apparatuur als mri-scanners en oct-systemen (optische coherentietomografie) nog veel meer informatie dan nu gebeurt kan worden vergaard. Hij onderzoekt algoritmen waarmee een computer digitale plaatjes van de hersenen kan omzetten in getallen die iets zeggen over de kwaliteit daarvan. ‘Door onze hersenen lopen bijvoorbeeld ‘wittestof-banen’. Het aantal banen en de kwaliteit ervan neemt af naarmate we ouder worden. Door de hersenen te scannen van grote groepen mensen over een langere periode, in het kader van bevolkingsonderzoek, kan het gemiddelde, normale verouderingsproces van die banen worden uitgedrukt in kwantitatieve informatie – biomarkers – en een model. Vervolgens kun je die norm vergelijken met de analyse van data uit scans bij een individu. De medicus kan dan vaststellen of de hersenen van die persoon in een normaal tempo verouderen of dat er sprake zou kunnen zijn van de eerste tekenen van dementie. Is dat laatste het geval, dan kan – indien nodig – de behandeling in een vroegtijdig stadium starten.’
‘In de scandata zijn de eigenschappen van de patiënt nog te zeer verweven met de technologische eigenschappen van de scanner’, constateert Lucas van Vliet, hoofd van de afdeling Imaging Physics van de TU Delft.
Kwantificeren afwijking
Kijkt Van Vliet vooral met een wetenschappelijke blik naar big data uit imaging voor diagnose en prognose van ziektebeelden, Mark van Buchem heeft, als hoofd van de afdeling 
Radiologie van het Leids Universitair Medisch Centrum, vooral oog voor de toepassing ervan in zijn klinische praktijk. De radiologie gebruikt al tientallen jaren beeldvormende apparatuur voor het stellen van diagnoses én het behandelen van patiënten, bijvoorbeeld met dotteren. Tot nog toe deed de radioloog het diagnostische werk ‘op het blote oog’, maar inmiddels kunnen ook computers scans interpreteren. ‘De radioloog combineert kennis van beeldvormende technologie en ziektes. Met die expertise vertaalt hij wat hij op het beeld ziet naar een diagnose. En hij kan – heel snel – een patroon herkennen in de combinatie van verschillende afwijkingen. Minder sterk daarentegen is de radioloog in het kwantificeren van wat hij ziet, het in exacte maten en getallen uitdrukken van de afwijking. Juist daarin kan de computer hem ondersteunen, bijvoorbeeld door exact te meten hoeveel kubieke centimeter littekenweefsel in de hersenen aanwezig is, of te berekenen hoeveel volume de hersenen hebben verloren sinds de laatste scan.’
Obstakels
Door de scans met computers en slimme algoritmen te analyseren en zo te komen tot normmodellen, krijgen ze een veel grotere diagnostische en voorspellende waarde. Voor het opbouwen van die modellen moeten de benodigde grote aantallen scans gemaakt kunnen worden met apparatuur van verschillende fabrikanten, aldus Van Vliet. ‘Nu zijn in de scandata de eigenschappen van de hersenen van de patiënt nog te zeer verweven met de technologische eigenschappen van de scanner. Daardoor kun je die kwantitatieve informatie niet in één database stoppen, zijn de data uit scans van verschillende fabrikanten niet geschikt om één normmodel mee op te bouwen.’ Hij heeft hen daarop al aangesproken, maar nog geen goed antwoord gekregen. ‘Ik begrijp wel dat het onderling goed vergelijkbaar maken van scans niet eenvoudig is. Het zal betekenen dat fabrikanten naar elkaar open moeten zijn over de eigen technologie. Dat degene met een technologische voorsprong dat niet graag doet, snap ik. Echter, de plaatjes van de drie grootste scannerleveranciers zijn van dezelfde hoge kwaliteit. Het zou in het belang van de volksgezondheid zijn als ze meer gaan samenwerken.’
‘Minder sterk is de radioloog in het kwantificeren van wat hij ziet, het in exacte maten en getallen uitdrukken van de afwijking. Juist daarin kan de computer hem ondersteunen’, weet radioloog Mark van Buchem.
Ook Mark van Buchem, die als clinical leader binnen het MDII samenwerkt met wetenschappers als Lucas van Vliet, wil graag die normmodellen ontwikkeld zien. Hij ervaart echter obstakels. ‘Stel dat ik bij een vrouwelijke patiënt van 72 jaar met suikerziekte en hoge bloeddruk een afnemend hersenvolume constateer. In grote datasets kan ik dan zoeken naar vergelijkbare gevallen om snel te achterhalen of die afwijking binnen de normen valt, óf dat er wellicht sprake is van bijvoorbeeld Alzheimer.’ Hij hoopt dan ook dat de fabrikanten van zijn scanners hem snel toegang zullen verschaffen tot die big data. ‘Maar ik realiseer me dat dat niet eenvoudig is. Ten eerste zijn zij huiverig voor de gevolgen van verkeerde diagnoses op basis van hun producten. Ten tweede krijgen zij niet eenvoudig de beschikking over grote datasets van patiënten omdat die privacygevoelige informatie kunnen bevatten.’
Deep en wide data
Twee van de grootste scannerfabrikanten zijn Siemens Healthcare en Philips Healthcare Systems. Philips, verklaart Mark van Meggelen, senior director healthcare informatics, werkt met twee soorten big data. Deep data, uit momentopnames van patiënten, en wide data, gezondheidsinformatie over langere periodes uit devices als stappentellers en ‘slimme pleisters’. ‘De eerste soort omvat data uit drie bronnen: scans uit onze ct-, mri- en andersoortige beeldvormende apparatuur; informatie uit de pathologiescanners en andere laboratoriumapparatuur voor analyse van bloed en weefsel; en tot slot de informatie uit dna-sequenties. Alles bijeen terabytes per patiënt. We ontwikkelen algoritmen om daar zinnige informatie over diagnoses en behandeling uit te kunnen halen. En om de uitkomsten snel inzichtelijk te maken, willen we die goed visualiseren met grafieken en diagrammen.’ De stap daarna is die deep data van grote aantallen patiënten geanonimiseerd in de cloud op te slaan, om zo de arts inzicht te kunnen geven welke behandeling in welke gevallen het meeste succes heeft opgeleverd. ‘Dan zullen onze analyses ook een voorspellende waarde hebben.’
De wide data van bijvoorbeeld wearables leveren real-time informatie op over zaken als bloeddruk en hartritme van de gebruiker. ‘Een voorbeeld is de slimme pleister die wij recent op de markt hebben gebracht, die met sensoren vitale waarden zoals zuurstofgehalte in het bloed van de patiënt monitort en de gegevens draadloos doorstuurt naar de arts. Zo kun je over de tijd heen relevante patiëntinformatie verzamelen. Daarmee kun je de gebruiker natuurlijk leefstijladviezen verstrekken. Maar straks komen de werelden van deep en wide data bij elkaar. Dan kun je het ontstaan van bepaalde ziektes nog veel beter voorspellen en veel eerder dan nu op exact de beste wijze medisch ingrijpen.’ Maar voor het zover is, erkent Van Meggelen, moet het format van de data wel leveranciersonafhankelijk worden.
Niet met hagel
Ook Siemens Healthcare levert zowel ct-, mri-, echografie- en röntgensystemen als apparatuur voor medische laboratoria. Daarmee kan een diagnosticerende arts diverse 
datastromen over een individuele patiënt verkrijgen: beelden van de diverse scanners, informatie als de bloedgaswaarden en – aanvullend – de genomics-informatie uit dna, zo schetst Kees Smaling, directeur Siemens Healthcare Nederland. ‘Deze drie datastromen presenteren we nu al aan de arts. Volgende stap – we zijn bezig die te zetten – is die te combineren, resulterend in één diagnose-advies.’ Een diagnose die vervolgens vergeleken kan worden met de big data van duizenden geanonimiseerde patiënten in een ‘biobank’, om zo de arts inzicht te geven in wat – bij bepaalde, specifieke ziektekenmerken – de allerbeste behandeling is gebleken. ‘Zodat er niet langer met hagel geschoten hoeft te worden, maar precision medicine mogelijk is. Momenteel ontwikkelen we, samen met partijen als Microsoft, Google en IBM, machine learning tools. Die kunnen de ‘diagnose-arts’ de decision support bieden op basis waarvan hij diagnoses kan stellen en behandelingen kan geven.’
Aan het vullen van die biobank draagt Siemens fors bij; over de hele wereld worden 200.000 opnames per uur gemaakt met apparatuur van deze fabrikant. Data die inmiddels ook, geanonimiseerd, in de cloud staan, toegankelijk via het Syngo.teamplay-platform.
Dat biedt volgens Smaling een antwoord op de vraag naar één big database: ‘Met data niet alleen van onze apparatuur, maar die van alle fabrikanten.’
Niet vergelijkbaar
Erik van Oorschot van MDII constateert dat die ene database nog geen realiteit is, maar om een andere reden dan fabrikantafhankelijkheid. ‘Door de toenemende snelheid en opslagcapaciteit van ic’s is de foto die je nu met je mobieltje maakt van een veel hogere kwaliteit dan die van tien jaar geleden. Die ontwikkeling zie je terug in de beeldvormende medische technologie. Medische beelden van vroeger hebben een veel lagere resolutie dan die van nu. Ze zijn met computermodellen niet zomaar onderling te vergelijken. Maar dat is nu net wel de holy grail van medical imaging: dat je over een lange periode big data verzamelt, omdat je daarmee kunt zien of het hersenvolume van die 45-jarige zich normaal ontwikkelt, óf dat er misschien sprake is van vroege dementie.’
In september organiseren Link Magazine en MDII een rondetafel over medical imaging waarbij ondernemers, medici en wetenschappers zullen aanschuiven.
link Magazine 2/16:
https://issuu.com/henjuitgevers.nl/docs/link-02-2016
