AI vindt ongediagnosticeerde ziekten terug in bestaande CT-scans

Onderzoekers van de Universiteit van Pennsylvania trainden een AI-model, genaamd Percival, op meer dan 400.000 CT-beeldvolumes van 52.000 patiënten, gekoppeld aan de bijbehorende radiologierapporten. Het model leerde patronen in de scans herkennen die samenhangen met diagnoses van hart- en vaatziekten, metabole aandoeningen, kanker en meer. De studie verscheen in het tijdschrift npj Digital Medicine.

Wat het model zag

Het model kon uit de beelden zinvolle informatie halen over de biologische kenmerken van een patiënt, zoals leeftijd, geslacht en lichaamsbouw. Het vond ook significante verbanden met 35 soorten labwaarden, waaronder nierfunctie, leverfunctie, bloedsuiker en bloedcelwaarden. Daarnaast koppelde het beeldpatronen aan 351 diagnosecategorieën in meerdere orgaansystemen.

Toch was de prestatie wisselend. Bij het rechtstreeks schatten van labwaarden vanuit de scan was de nauwkeurigheid voor de meeste metingen beperkt. Alleen voor albumine, hemoglobine en creatinine was de voorspellende waarde redelijk. Het model is dus geen vervanging van bloedonderzoek, maar een aanvullend signaalsysteem.

Relevant voor vroegtijdige opsporing bij ouder worden

Voor preventieve geneeskunde en longevity is de richting interessant. Veel mensen boven de vijftig krijgen al om andere redenen een CT-scan. Als zo’n scan ook vroege signalen van ongediagnosticeerde aandoeningen kan tonen, neemt de informatiewaarde van bestaande beelden toe zonder extra belasting voor de patiënt.

Een directe vergelijking met menselijke radiologen is de volgende stap, aldus de onderzoekers. Pas dan wordt duidelijk hoe groot de toegevoegde waarde van het model werkelijk is in de klinische praktijk. Tot die tijd blijft Percival een veelbelovend hulpmiddel dat nog verder gevalideerd moet worden.

Lees het originele artikel

Zoektermen om verder te zoeken: vision-language model medische beeldvorming, CT-scan biomarker predictie, vroegdiagnostiek AI radiologie