Nieuwe hoogleraar ‘machine learning’ voor medische beeldverwerking

“Vaak moeten patiënten erg lang stil liggen tijdens een MRI,” zegt Staring. “Met een sterk algoritme kan een computer met veel minder data en in kortere tijd al een juist beeld vormen. Dit zou erg waardevol zijn voor zowel de patiënten als de behandelaars. Samen met de MRI fysicagroep (het Gortercentrum) en Philips hebben we een reconstructie-algoritme gebouwd dat op basis van maar een kwart van de data, en ruwweg een kwart van de scantijd, toch een goed MRI-beeld produceert. Philips heeft dit al geïntegreerd in hun scanners. We zijn samen met betrokken radiologen aan het bekijken of deze beelden diagnostisch net zo goed zijn.”

Wat is machine learning precies?

Machine learning kan automatisch complexe patronen identificeren in soms grote datasets. Wanneer deze techniek wordt toegepast op MRI- of CT-beelden helpt het radiologen om beslissingen te nemen. Het is een krachtige techniek waarmee de computer op basis van een trainingsdataset ‘leert’ om intelligente taken uit te voeren, zonder daarvoor expliciet geprogrammeerd te zijn.

“Potentieel heeft mijn onderzoeksgebied allerlei klinische implicaties,” gaat Staring verder. “Automatisering van onderdelen van het zorgproces is noodzakelijk om de zorgkosten beheersbaar te houden. Daarnaast is het mogelijk om allerlei geestdodende taken door de computer te laten doen. Tot slot zijn algoritmen erg goed in het ontdekken van allerlei patronen in de veelheid van patiëntendata. Voorzichtig gezegd kunnen we daarmee samen met de arts komen tot een betere diagnose of beter geïnformeerde behandelkeuze.”

Uitstaande problemen: praktijk vs. trainingsdata

“Een van de uitstaande problemen van machine learning is het generalisatieprobleem: de methode werkt goed op data die je gebruikt tijdens de ontwikkeling (trainingsdata), maar werkt minder goed op ‘echte’ data. Dat komt omdat de twee databronnen vaak net andere karakteristieken hebben. Ik wil hierin de komende jaren stappen maken, want dit is erg nadelig voor het daadwerkelijk gebruik in de kliniek. Meerdere zaken moeten dan samenkomen: een sterke research infrastructuur, een nauwe samenwerking tussen techniek en kliniek en optimalisering van de kans op adoptie door een combinatie van open (source) wetenschap en samenwerking met de industrie.”

Carrière in vogelvlucht

Staring is sinds 2008 werkzaam op de afdeling Radiologie. Eerst als postdoctoraal onderzoeker. Daarna heeft hij zich ontwikkeld van universitair docent tot hoogleraar. Staring zegt: “Ik heb altijd veel steun ervaren van de mensen om mij heen. De collegialiteit maakt het erg plezierig om deze nieuwe leerstoel tot bloei te brengen.”