Elke ondernemer die op deze site komt voor een website, komt ook een dienst tegen die daar in eerste instantie niet bij lijkt te passen: data-analyse en AI. Dat verdient uitleg — en de beste uitleg is het project waar die dienst uit voortkomt. Dit is het volledige verhaal van mijn afstudeeronderzoek: een AI-model dat hersenmetastasen opspoort op MRI-scans, gebouwd in samenwerking met de afdeling Radiologie van Isala.
Het probleem: te veel te zien, te weinig tijd
Hersenmetastasen zijn uitzaaiingen van kanker elders in het lichaam naar de hersenen. Ze zijn vaak klein, kunnen met tientallen tegelijk voorkomen, en zijn cruciaal om allemaal te vinden: de behandeling — bijvoorbeeld gerichte bestraling van elke afzonderlijke laesie — hangt af van hoeveel er zijn en waar ze precies zitten. Een radioloog moet die laesies handmatig doorlopen op een MRI-scan die uit honderden beeldlagen bestaat. Dat is nauwkeurig werk, maar ook tijdrovend en foutgevoelig: een kleine laesie tussen tientallen andere structuren is makkelijk over het hoofd te zien, zeker tegen het einde van een lange werkdag.
De vraag achter mijn onderzoek was simpel te stellen en moeilijk te beantwoorden: kan een AI-model helpen om geen enkele metastase te missen, zonder de radioloog te overspoelen met valse meldingen?
Waarom nnDetection, en niet "gewoon een neuraal netwerk"
Voor beeldherkenning in de zorg volstaat geen standaard model uit een tutorial. Medische scans variëren enorm: andere scanners, andere instellingen, andere patiëntpopulaties. Een model dat goed werkt op de trainingsdata, maar instort zodra de data er ook maar iets anders uitziet, is in de praktijk waardeloos.
Daarom heb ik gekozen voor nnDetection, een self-configuring detectieframework dat specifiek ontwikkeld is voor medische 3D-beeldvorming. In plaats van dat ik zelf ga schatten welke netwerkarchitectuur, welke resolutie of welke trainingsinstellingen het beste werken, analyseert nnDetection eerst de eigenschappen van de dataset zelf — en stelt daar automatisch een passende configuratie op af. Dat maakt het resultaat minder afhankelijk van mijn eigen aannames, en beter vergelijkbaar met hoe soortgelijk onderzoek elders wordt uitgevoerd.
De data: T1-gewogen contrastversterkte MRI
Het model is getraind en gevalideerd op T1-gewogen MRI-scans met contrastversterking — de scantechniek waarbij hersenmetastasen het duidelijkst oplichten, omdat het contrastmiddel zich ophoopt in het beschadigde weefsel rond een laesie. Deze scans zijn aangeleverd vanuit de radiologie-afdeling van Isala, inclusief de klinische expertise om te beoordelen wat het model wel en niet goed deed.
Waarom sensitiviteit de belangrijkste maatstaf is
Bij een detectietaak zoals deze is niet elke fout even erg. Een gemiste metastase (een false negative) kan betekenen dat een patiënt niet de behandeling krijgt die nodig is. Een extra melding die achteraf geen metastase blijkt te zijn (een false positive) kost een radioloog een paar seconden extra controletijd. Die twee fouten wegen dus niet gelijk — en daarom is sensitiviteit (het percentage daadwerkelijke metastasen dat het model vindt) de maatstaf waar dit onderzoek op stuurde, niet alleen de algehele nauwkeurigheid.
Het resultaat
Het model behaalde een algehele sensitiviteit van 93,6%, bij gemiddeld 4 false positives per scan. Met andere woorden: van elke honderd daadwerkelijke metastasen mist het model er gemiddeld minder dan zeven, terwijl het aantal extra controles per scan behapbaar blijft voor een radioloog. Voor een ondersteunend detectiemodel — niet bedoeld om een radioloog te vervangen, maar om als extra paar ogen mee te kijken — is dat een resultaat waar ik trots op ben.
Wat dit niet is
Ik wil hier extra duidelijk over zijn, omdat overdreven AI-claims in de zorg schadelijk kunnen zijn: dit model is een afstudeeronderzoek, geen medisch hulpmiddel. Het is niet klinisch gevalideerd op de manier die nodig is voor toelating tot de patiëntenzorg, niet gecertificeerd volgens de daarvoor geldende regelgeving, en wordt niet gebruikt bij Isala in de dagelijkse praktijk. Wat het onderzoek wél aantoont, is dat een zorgvuldig geconfigureerd model op deze taak een sterke prestatie kan neerzetten — een onderbouwing voor eventuele vervolgstappen, geen kant-en-klaar product.
Wat ik hieruit meeneem naar mijn werk voor het MKB
De schaal van dit project is niet te vergelijken met een verkoopdashboard voor een lokale ondernemer. Maar de werkwijze is precies dezelfde, en dat is wat ik meeneem naar mijn data-analyse en AI-diensten:
- Eerst het probleem, dan pas het model. Bij Isala begon het met een klinische vraag, niet met een technologie die ik toevallig interessant vond. Bij een ondernemer werkt dat niet anders: eerst de vraag, dan de oplossing.
- De juiste maatstaf kiezen. Net zoals sensitiviteit hier belangrijker was dan algehele nauwkeurigheid, is bij een bedrijfsvraagstuk vaak niet de meest voor de hand liggende cijfer de belangrijkste — dat vraagt om goed doorvragen vooraf.
- Eerlijk zijn over de beperkingen. Een model dat 93,6% haalt, mist nog steeds bijna 1 op de 15 metastasen. Die eerlijkheid geef ik ook mee bij elk data- of AI-project dat ik voor een klant bouw: wat het wel kan, wat het niet kan, en waarom.
Vragen over data of AI in uw bedrijf?
Neem contact op — ik denk vrijblijvend met u mee, met dezelfde nuchtere aanpak als hierboven.