Artsen omarmen kunstmatige intelligentie: Computer rekent uit hoe je het beste bestraalt

Een computer die binnen 30 seconden een hele reeks geoptimaliseerde behandelplannen voor prostaatkanker berekent. Dat was even wennen voor medisch specialisten. Met kunstmatige intelligentie presenteerde de computer betere plannen en meer inzicht dan de artsen voor mogelijk hielden. CWI onderzoeker Peter Bosman leidde het team dat het systeem ontwikkelde. Nog dit jaar kunnen de eerste patiënten op zo’n behandelplan rekenen. Hoe krijgt een AI-systeem dat voor elkaar?

Publication date: 10-03-2020

Verrast en verbaasd waren ze, de radiotherapeuten van het Amsterdam UMC, op de locatie AMC. Een computer produceerde dankzij kunstmatige intelligentie razendsnel een hele waaier aan plannen voor de bestraling van prostaatkanker. Die plannen waren ook nog eens volledig geoptimaliseerd, en gaven direct weer wat de uitwerking zou zijn van meer of minder bestralen.

Normaal gesproken kost het zelfs de meest doorgewinterde radiotherapeut tezamen met een laborant veel rekenwerk om te bepalen hoe je een patiënt het beste kunt bestralen. Hoe goed kan een bestralingsplan dan zijn als die schijnbaar zo gemakkelijk uit een computer rolt?

Stralingsbron door katheters

De behoefte aan verbetering was evenwel groot onder de artsen. Voor hen is het altijd een race tegen de klok om het juiste bestralingsplan te maken voor brachytherapie, ofwel inwendige bestraling. Deze vorm van bestraling is het wapen dat artsen vaak inzetten bij de behandeling van prostaatkanker. Het bestralen gebeurt via tien tot twintig katheters die bij de patiënt worden ingebracht en de tumor penetreren. Door deze katheters heen sturen ze dan een radioactieve bron, die op sommige plekken even stil kan staan. Hoe langer de bron stilstaat, hoe meer straling de tumor krijgt vanaf die plek. Voor patiënten brengen de katheters veel ongemak met zich mee. Artsen geven zichzelf daarom hooguit een uur de tijd om het best mogelijke bestralingsplan te hebben uitgedacht.

Wikken en wegen

De moeilijkheid zit ’m in de afwegingen die de artsen keer op keer moeten maken. Het liefst wil je een tumor te lijf gaan met een flinke dosis straling. Maar het omliggende gezonde weefsel moet daar juist zo min mogelijk van krijgen. Helaas laat straling zich maar beperkt sturen. Het zwakt af naarmate het door weefsel heen gaat, maar het gaat in principe wel overal doorheen. Het gevolg is dat er altijd wat straling terechtkomt op gezonde plekken waar het meer kwaad kan doen dan goed.

Dit stelt de medici voor dilemma’s: hoe wil je via de katheters precies gaan bestralen? En hoe hoog moet de dosis minimaal zijn? Hoeveel straling gaat er ‘doorlekken’ naar het omringende weefsel, en is dat acceptabel? Voor elke patiënt ziet het ideale plan er weer anders uit.

Met voldoende ervaring en oefening kunnen radiotherapeuten en laboranten samen meestal binnen een uur wel een plan opstellen – één plan dus. Met de huidige software die ze daarvoor gebruiken, en gezien de tijdsdruk, is het ondoenlijk om ook nog uitgebreid na te denken over alternatieve bestralingsplannen.

Zelflerende software

Kan dat niet beter, vroegen radiotherapeuten, klinisch fysici, en onderzoekers van het AMC in 2014 aan onderzoeker Peter Bosman, verbonden aan Centrum Wiskunde & Informatica (CWI) in Amsterdam. Bosman deed destijds fundamenteel onderzoek naar AI-technieken. Daarnaast richtte hij zich toen al op de vraag hoe je kunstmatige intelligentie kunt inzetten voor medische toepassingen, en dan vooral op nieuwe manieren om medische beeldanalyse te doen.

Het is bijzonder dat de vraag is gesteld door artsen, aldus Bosman, want normaal gesproken gaat het in de medische wereld anders. ‘Artsen zijn gewend om te werken binnen de mogelijkheden die bepaalde software hen biedt. Die software kennen ze door en door. Het zijn meestal de medische bedrijven die innovaties naar de kliniek brengen.’

Evolutionaire algoritmen

Bosman ging de uitdaging aan en formeerde een onderzoeksteam samen met het AMC en het bedrijf Elekta, dat bestralingsapparatuur en software voor ziekenhuizen ontwikkelt. Het team besloot voor dit probleem software te ontwikkelen met in de kern een vorm van kunstmatige intelligentie, genaamd evolutionaire algoritmen. Deze algoritmen zijn geschikt om effectief en efficiënt te zoeken naar goede oplossingen voor moeilijke problemen, vooral wanneer er meerdere tegenstrijdige doelen in het spel zijn.

Het team richtte zich voornamelijk op een vorm van evolutionaire algoritmen die ‘intelligent zoekgedrag’ vertonen. De algoritmen kunnen leren hoe een bepaald probleem in elkaar steekt, en hoe je sneller tot betere oplossingen komt. Bosmans team paste de algoritmen aan voor het geval van brachytherapie bij prostaatkanker. Dat deden ze door het algoritme gebruik te laten maken van kennis over hoe de stralingsdosis zich opbouwt vanuit de ingebrachte katheters. Zo konden ze veel betere resultaten behalen dan met andere algoritmen.

De ‘Pepsi-proef’

‘Aanvankelijk reageerden de AMC-radiotherapeuten terughoudend op de aanpak die wij voorstelden’, zegt Bosman. ‘En dat is heel normaal. Immers, er kwamen een paar wiskundigen en informatici vertellen dat kunstmatige intelligentie het waarschijnlijk beter kan dan artsen en de huidige software, ondanks hun jarenlange ervaring. We hadden tijd nodig om ze te overtuigen.’

De grote ommekeer kwam twee jaar geleden. Toen was het team ver genoeg om met de artsen een soort ‘Pepsi-proef’ te doen. Bosman: ‘We lieten de computer bestralingsplannen maken voor patiënten die in het verleden reeds behandeld waren in het AMC. Voor die patiënten hadden de artsen dus al eens goedgekeurde plannen gemaakt.’ Daarna werden alle plannen geanonimiseerd, zodat de artsen niet meer konden nagaan wie welke plannen had opgesteld. ‘We vroegen toen aan meerdere artsen: welk plan zou je het liefst gebruiken voor deze patiënt? In 98 procent van de gevallen kozen ze voor een plan dat uit de computer kwam.’

Unieke meerwaarde

Ook liet Bosmans team zien dat de computer meteen een hele waaier aan alternatieve bestralingsplannen kon voorleggen waarin meer of minder bestraald wordt. Bosman: ‘Dat inzicht zagen de artsen als een unieke meerwaarde. Het geeft ze namelijk de tijd om na te nadenken over welk bestralingsplan ze willen kiezen, in plaats van dat ze al hun tijd besteden aan één plan maken. Ze kunnen nu afwegingen maken tussen hoeveel straling bij de tumor komt en hoeveel straling het gezonde weefsel raakt.’

Zo snel mogelijk

De artsen omarmden het idee volledig, en zagen het zitten om dit ook te gaan gebruiken in de kliniek. Om zover te komen, moest het team eerst de software sneller laten werken. Ten tijde van de proef kostte het nog ongeveer een uur om het spectrum aan bestralingsplannen voor één patiënt door te rekenen – en dat is niet snel genoeg voor de klinische praktijk. Bosmans team wist dat uiteindelijk terug te brengen tot slechts 30 seconden.

Van CPU naar GPU

Die enorme snelheidswinst boekten ze vooral door berekeningen niet meer te laten uitvoeren op de centrale processor (CPU) van het systeem, maar op de grafische processor (GPU). Het is een truc die veel onderzoekers toepassen om rekenkracht te winnen bij simulaties, graphics, en kunstmatige intelligentie. De snelheidswinst schuilt in het feit dat een doorsnee GPU beschikt over duizenden rekenkernen die tegelijkertijd berekeningen kunnen uitvoeren, terwijl een high-end CPU het moet stellen met acht rekenkernen.

Eventjes ‘omkatten’ van CPU naar GPU gaat echter niet. Algoritmen die zijn gemaakt voor CPU’s draaien niet zomaar op GPU’s. De reden daarvoor is dat de rekenkernen van een GPU enorm veel simpeler zijn dan de rekenkernen van een CPU, en je ze vaak in blokken moet aanspreken. Bosman: ‘Je moet dus goed kijken welke berekeningen er nu echt baat bij hebben om op een GPU te laten uitvoeren. Kort door de bocht gezegd, moeten die allemaal heel simpel zijn en je moet er heel veel tegelijkertijd willen voeren. In ons geval wil je bijvoorbeeld op heel veel plekken weten hoeveel straling er nu terechtkomt. En dat wil je tijdens het zoeken naar goede bestralingsplannen ook nog eens heel vaak updaten.’

Opvallend is dat het team van Bosman genoegen neemt met een relatief eenvoudige consumenten-GPU, die rond de 1200 euro kost. Dergelijke GPU’s zijn niet voorzien van error checking op het interne geheugen dat op de kaart zit. Maar de foutmarge daarop is volgens de onderzoeker enorm klein. Bij uitgerekende behandelplannen leidt dat tot onzekerheidsmarges die ‘absoluut niet noemenswaardig’ zijn. Dat is ook de reden waarom iedereen in de kunstmatige intelligentie dit soort kaarten gebruikt in plaats van de duurdere kaarten die wel error checking hebben, aldus Bosman.

Teamwork is hard werken

Bij Bosmans onderzoek verliep de samenwerking tussen artsen, onderzoekers Elekta uitstekend. Maar dat is bepaald niet vanzelfsprekend, aldus Bosman. ‘Het vereist een hele hoop afstemming. Als team werken we verspreid over het CWI, het AMC en de Elekta-vestiging in Veenendaal. Om de neuzen in dezelfde richting te houden en elkaars vaktaal te leren spreken, zitten alle onderzoekers twee keer per week bij elkaar, afwisselend op het CWI en op het AMC. Daarnaast gaan de onderzoekers elke vier weken naar Elekta en hebben we elke zes weken een update meeting waar iedereen aanschuift, ook artsen en klinisch fysici. Zo kunnen we samen naar resultaten kijken en van elkaar leren wat nu belangrijk is. We zijn zo echt tot een team uitgegroeid.’

Bosman raadt onderzoekers met klem aan om ook continu afstemming te zoeken, als ze een op vergelijkbare wijze innovatie in de praktijk willen bewerkstelligen. ‘Helaas heb ik in het verleden ook voorbeelden gezien van hoe het mis kan gaan. Ondanks duidelijke afspraken en projectplannen op voorhand, hebben onderzoekers de neiging om toch hun eigen koers te gaan varen. Onderzoekslijnen kunnen daardoor steeds verder afdrijven van de praktische toepassing waar het allemaal om te doen is.’

Wereldwijde klinische toepassing

Ondertussen blijft de samenwerking tussen CWI, AMC, en Elekta lopen als een trein. Nog voor deze zomer hoopt het AMC de eerste patiënt te behandelen met een bestralingsplan dat met de nieuwe kunstmatige intelligentie-software is gemaakt. ‘Verder is Elekta ook geïnteresseerd om de resultaten van het project te commercialiseren’, zegt Bosman. ‘En dat kan een wereldwijde klinische toepassing betekenen.’

Uitbreiden

Het grote voordeel van het AI-systeem is dat het zich relatief eenvoudig laat uitbreiden naar andere typen kanker. Een vervolgproject kon dan ook niet uitblijven. Met een projectsubsidie van KWF Kankerbestrijding gaan Bosman en collega’s hun pijlen nu richten op baarmoederhalskanker. De gebeurt in een onderzoeksconsortium waarin ook Leiden UMC is vertegenwoordigt. Ook zijn bijna alle Nederlandse ziekenhuizen aan boord die baarmoederhalskanker behandelen met brachytherapie. Zij zullen nieuwe software die uit het project rolt gaan uitproberen en evalueren. Elekta is als industriële partner eveneens weer aan boord. Het lijkt dan ook een kwestie van tijd voordat kunstmatige intelligentie zich ook doorontwikkeld tot een wapen tegen deze vorm van kanker.

Dit artikel is geschreven door Aschwin Tenfelde, Hoofd Communicatie van het Centrum Wiskunde & Informatica en verscheen eerder in het magazine Bits & Chips.

In deze video van NWO licht Peter Bosman het nieuwe AI systeem toe.