Gids voor industrieën

AI in de oncologie

AI in de oncologie maakt gebruik van machinaal leren om tumoren op scans en objectglaasjes te vinden, risico's in te schatten, radiotherapie te plannen en informatie te organiseren voor behandelbeslissingen, zoals beoordelingen van tumoren.

Luister naar deze gidsAI-verteld · ~3 min

Op deze pagina3 minuten lezen
  1. Overzicht
  2. Diepe duik
  3. Implementatie in de echte wereld
  4. De toekomst van AI in de oncologie
  5. Het in de praktijk brengen
  6. Blijf verkennen
  7. Veelgestelde vragen

Overzicht

Het is van belang omdat de kankerzorg enorme hoeveelheden beelden en gegevens met zich meebrengt, maar tot nu toe is het sterkste bewijs voor detectie- en workflowtaken, en niet voor AI die bepaalt welke behandeling een patiënt moet krijgen.

Diepe duik

Oncologen komen op drie belangrijke plaatsen in aanraking met AI: detectie, behandelplanning en beslissingsondersteuning. Detectie is het meest volwassen. Op het gebied van mammografie bleek uit het Zweedse gerandomiseerde MASAI-onderzoek, voor het eerst gerapporteerd in 2023, dat AI-ondersteunde screening meer kankers detecteerde dan standaard dubbele metingen, terwijl de werklast voor het schermlezen van radiologen met ongeveer 44 procent werd verminderd. Op het gebied van pathologie heeft de FDA Paige Prostate in 2021 goedgekeurd als het eerste AI-product dat pathologen helpt bij het lezen van prostaatbiopten. Onderzoeksmodellen kunnen ook kenmerken zoals microsatellietinstabiliteit rechtstreeks op basis van routinematig gekleurde objectglaasjes schatten, en onderzoekers van MIT en het Massachusetts General Hospital hebben Sybil gebouwd, dat het toekomstige risico op longkanker voorspelt op basis van een enkele CT-scan met lage dosis. Behandelingsplanning is stilletjes wijdverspreid. Auto-contouring-instrumenten maken schetsen van tumoren en nabijgelegen organen voor radiotherapie, een taak die artsen met de hand uren kan kosten. Artsen beoordelen en bewerken nog steeds elke contour. Bij de keuze van de behandeling is voorzichtigheid het meest geboden. IBM's Watson for Oncology werd op de markt gebracht om therapieën voor te stellen, maar kreeg te maken met rapporten over aanbevelingen die het niet eens waren met de deskundigen en sommige die onveilig waren, en IBM verkocht later zijn Watson Health-activiteiten. De les was dat training op basis van een klein aantal hypothetische gevallen en de voorkeuren van één instelling geen betrouwbaar algemeen advies oplevert. Tumorborden, waar chirurgen, oncologen, radiologen en pathologen samen gevallen bespreken, maken steeds vaker gebruik van software die gegevens verzamelt en markeert die overeenkomen met klinische onderzoeken of richtlijnen. Er worden grote taalmodellen getest om de verslagen van deze bijeenkomsten samen te vatten, maar hallucinante of verouderde feiten vormen een ernstig risico. De belangrijkste beperking van het huidige bewijsmateriaal is dat veel onderzoeken retrospectief zijn, de nauwkeurigheid meten in plaats van de uitkomsten voor de patiënt, en afkomstig zijn uit een paar goed uitgeruste centra. Het vinden van meer kleine vormen van kanker is alleen nuttig als het de overleving verbetert, in plaats van de overdiagnose te vergroten.

Implementatie in de echte wereld

A breast screening program uses AI to triage mammograms so that likely-normal exams need one radiologist while higher-risk exams get two readers, cutting reading workload.

A radiotherapy team uses auto-contouring software to draw first-draft outlines of organs at risk on CT scans, which a dosimetrist and oncologist then check and correct.

A pathology lab uses an AI system to highlight suspicious areas on digitized prostate biopsy slides so the pathologist reviews those regions carefully.

A hospital's tumor board software gathers imaging, pathology, genomics and treatment history into one dashboard before the weekly multidisciplinary meeting.

De toekomst van AI in de oncologie

Near-term growth is most likely in screening, pathology and radiotherapy workflow, where tasks are well defined and results can be checked. Longer follow-up from screening trials will clarify whether extra detections reduce interval cancers and deaths or add overdiagnosis. Multimodal models that combine images, genomics and records are an active research area, but they will need prospective trials before guiding treatment choices. Tumor boards may use AI summaries and trial matching more often, with clinicians verifying sources. Equity is a real concern, since many models are developed at large academic centers whose patients and equipment may not match community hospitals.

Het in de praktijk brengen

Waarom het ertoe doet

  • Context en regels. De industriële context bepaalt of AI-ideeën het contact met de werkelijkheid overleven.
  • Kwaliteitscontrole. Domeinbeperkingen beïnvloeden aanvaardbare foutenpercentages en toezichtmodellen.
  • Bouwkeuzes. Succesvolle implementaties stemmen de technische mogelijkheden af ​​op frontline-workflows.

Pas op voor

  • Regelgevingsvereisten kunnen anderszins sterke prototypes ongeldig maken.
  • Historische gegevens kunnen vooroordelen coderen die specifieke gemeenschappen schade toebrengen.
  • Oudere systemen kunnen integratieknelpunten en verborgen kosten veroorzaken.

Volgende stappen

  1. Betrek domeinexperts, van het formuleren van het probleem tot de evaluatie.
  2. Ontwerp audit trails en documentatie vóór de lancering.
  3. Valideer compliance- en veiligheidsverplichtingen vroegtijdig.
  4. Uitrol in fasen met duidelijke stop- en terugdraaicriteria.

Blijf verkennen

Gratis nieuwsbrief

Ontvang de dagelijkse AI-briefing

Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.

Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.

Test jezelf

Doe de AI in Oncologie-quiz

Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.

Quiz starten

Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie

Veelgestelde vragen

What is AI in Oncology?

AI in de oncologie maakt gebruik van machinaal leren om tumoren op scans en objectglaasjes te vinden, risico's in te schatten, radiotherapie te plannen en informatie te organiseren voor behandelbeslissingen, zoals beoordelingen van tumoren. Het is van belang omdat de kankerzorg enorme hoeveelheden beelden en gegevens met zich meebrengt, maar tot nu toe is het sterkste bewijs voor detectie- en workflowtaken, en niet voor AI die bepaalt welke behandeling een patiënt moet krijgen.

What did the Swedish MASAI trial report about AI-supported mammography screening?

MASAI, a randomized trial first reported in 2023, found higher detection and a large drop in radiologist reading workload compared with standard double reading.

What was the key lesson from IBM's Watson for Oncology?

Reports of recommendations that disagreed with experts, some unsafe, showed the limits of its training approach. IBM later sold the Watson Health business.

Which product did the FDA authorize in 2021 as the first AI to assist pathologists with prostate biopsies?

Paige Prostate highlights suspicious regions on digitized prostate biopsy slides for pathologist review.

What does Sybil, from MIT and Massachusetts General Hospital, predict?

Sybil estimates a person's future lung cancer risk using one low-dose chest CT.

How do most AI systems handle gigapixel whole-slide pathology images?

Slides are too large to process at once, so patches are encoded and combined, often with attention that produces a heatmap of influential regions.