AI die longscans op dezelfde manier bekijkt als een radioloog

Elke dag bekijken radiologen grote hoeveelheden CT-scans, op zoek naar iets dat gemakkelijk over het hoofd kan worden gezien. Een klein knobbeltje. Een subtiele schaduw. Iets dat vroege longkanker zou kunnen zijn, of misschien helemaal niets.

Longkanker eist wereldwijd meer slachtoffers dan welke andere vorm van kanker dan ook. De overlevingskansen hangen sterk samen met hoe vroeg de ziekte wordt ontdekt. En de werkdruk op de meeste radiologieafdelingen laat weinig ruimte voor het soort aanhoudende, dubbele aandacht dat het opsporen van een kleine verdachte laesie eigenlijk vereist.

Een studie die zojuist is gepubliceerd in Scientific Reports, afkomstig van een internationaal onderzoeksteam waaraan ook onderzoekers van de Technische Universiteit van Kaunas in Litouwen deelnemen, heeft een AI-systeem ontwikkeld dat is ontworpen om iets te doen waar bestaande tools altijd moeite mee hebben gehad. Het systeem bekijkt de scan tegelijkertijd op twee manieren.

Hoe een radioloog een scan daadwerkelijk beoordeelt

Wanneer een radioloog een CT-scan beoordeelt, wisselt hij voortdurend van perspectief. Hij zoomt in op een bepaald gebied om de fijne details te bekijken. Vervolgens neemt hij weer afstand om te begrijpen hoe dat gebied zich verhoudt tot de long als geheel. Het is niet het een of het ander. Het is beide, en dat herhaalt zich voortdurend tijdens de beoordeling.

De meeste AI-systemen die voor deze taak zijn ontwikkeld, moesten een keuze maken. Ze zijn ofwel goed in het vastleggen van fijne lokale details, ofwel goed in het begrijpen van de bredere structurele context. Het gelijktijdig realiseren van beide is altijd een hardnekkig technisch probleem geweest.

De oplossing van het team is een model dat ze C-Swin noemen. Het combineert twee verschillende soorten neurale netwerkarchitecturen die samenwerken. Een convolutioneel neuraal netwerk verwerkt de fijnmazige lokale kenmerken: het soort gedetailleerde patroonherkenning dat kleine laesies en subtiele texturen opmerkt. Een Swin Transformer – een architectuur die gebruikmaakt van een verschuivend venster om ruimtelijke gebieden van het beeld te analyseren – verwerkt de bredere context. De twee componenten werken parallel; hun output wordt geïntegreerd in plaats van sequentieel verwerkt.

Onderzoeker Inzamam Mashood Nasir, verbonden aan de KTU, legt het eenvoudig uit. Het ene deel van het model richt zich op kleine details, zoals minuscule vlekjes of texturen in de longen, terwijl het andere deel naar het totaalbeeld kijkt en het grotere geheel in kaart brengt. Je kunt het vergelijken met het tegelijkertijd gebruiken van een vergrootglas en het bekijken van de volledige scan.

Wat uit de resultaten bleek

Het model is getest op de IQ-OTH/NCCD-dataset, een openbaar beschikbare verzameling CT-scans, waarbij de scans in drie categorieën werden ingedeeld: normaal, goedaardig en kwaadaardig.

Het onderscheid maken tussen goedaardige (niet-kankerachtige) knobbeltjes en kwaadaardige tumoren is een van de moeilijkste taken in de radiologie; een verkeerde diagnose leidt ofwel tot het over het hoofd zien van kanker, ofwel tot onnodige, invasieve biopsieën.

De resultaten waren indrukwekkend. C-Swin behaalde een nauwkeurigheid van 96,26%, met een precisie van 97,48% en een F1-score van 97,42%. Ten opzichte van bestaande methoden varieerde de verbetering in nauwkeurigheid van 2,31% tot 6,81%, afhankelijk van de vergelijking.

In de geneeskunde zijn die marges niet klein. Eén procentpunt verschil in diagnostische nauwkeurigheid, doorgerekend over duizenden patiënten en honderdduizenden scans, vertaalt zich in concrete resultaten.

De onderzoekers zijn voorzichtig met wat ze beweren. Het model is getraind op basis van één enkele dataset. Het is nog niet getest met scanners van verschillende fabrikanten, verschillende beeldvormingsprotocollen of verschillende patiëntengroepen. Nasir is hier heel duidelijk over. In de praktijk zijn er veel variabelen, en het systeem moet op al deze variabelen worden getest voordat het klinisch kan worden ingezet.

Dit voorbehoud doet niets af aan de bevinding. Het is een eerlijke beschrijving van de fase waarin goed onderzoek zich bevindt voordat het in de klinische praktijk wordt toegepast. De volgende stappen zijn klinische validatie, testen in ziekenhuisomgevingen en integratie in bestaande medische beeldvormingssystemen.

Waarom timing cruciaal is

Longkanker wordt nog steeds meestal pas in een laat stadium gediagnosticeerd, wanneer de behandelingsmogelijkheden beperkter zijn en de prognose slechter is. De kloof tussen wat biologisch gezien mogelijk is en wat daadwerkelijk op tijd bij de patiënten terechtkomt, is een van de belangrijkste problemen in de oncologie.

AI-tools die het aantal gemiste gevallen daadwerkelijk verminderen en het percentage valse positieven verlagen – waardoor minder patiënten onnodige ingrepen ondergaan en de daarmee gepaard gaande ongerustheid wordt verminderd – pakken beide kanten van dat probleem tegelijk aan.

Nasir wijst erop dat de architectuur niet beperkt blijft tot longkanker. Elke medische beeldvormingstaak waarbij zowel gedetailleerde lokale analyse als een breder structureel inzicht vereist is, zou baat kunnen hebben bij dezelfde aanpak. Hersentumoren, borstkanker en oogziekten worden allemaal genoemd als mogelijke toepassingen.

Het bredere perspectief

Deze week gaf Demis Hassabis, CEO van Google DeepMind, twee belangrijke interviews: één in de 20VC-podcast met Harry Stebbings en één met wetenschapscommunicator Cleo Abram, waarin hij zijn visie uiteenzette over wat AI in de geneeskunde kan betekenen. Zijn terugkerende boodschap was dat de belangrijkste rol van AI niet ligt in consumentenproducten, maar in het bestrijden van ziekten. Hij heeft aangegeven dat hij graag zou zien dat het tien jaar durende proces van het ontdekken van nieuwe geneesmiddelen wordt teruggebracht tot enkele maanden. Over het feit dat AI het punt zal bereiken waarop de geneeskunde er heel anders uitziet dan vandaag de dag.

Het artikel over C-Swin is niet zo ambitieus. Het gaat om één model, één dataset en één zorgvuldig afgebakende reeks resultaten die nog op klinische validatie wachten. Maar dat is precies hoe de afstand tussen hier en daar wordt overbrugd. Niet in één grote sprong, maar door onderzoeken zoals dit: zorgvuldig uitgevoerd, openbaar gepubliceerd en waarop het volgende team kan voortbouwen.

Er komt steeds meer inzicht in de biologie van longkanker. De behandelingen beginnen hierop aan te sluiten. En nu volgt, langzaam maar zeker, ook de diagnostiek.

Bron: Yousafzai SN, Nasir IM, Mansour S e.a. Een hybride deep learning-benadering waarbij CNN en transformer worden geïntegreerd voor de classificatie van longkanker aan de hand van CT-scans. Scientific Reports. 2026. doi:10.1038/s41598-026-41161-7

Afbeelding: door AI gegenereerde illustratie