Het formulier is succesvol verzonden.
Meer informatie vindt u in uw mailbox.
Inhuren
Over onsDienstenTechnologieënIndustrieënPortfolio
Veel keynote-presentaties op de IT-conferentie over de gezondheidszorg volgen inmiddels hetzelfde patroon. Iemand opent met een dia van een vriendelijk ogende robot in een witte jas, en sluit veertig minuten later af met een nerveuze vraag of de software de banen van het publiek gaat overnemen. Ergens tussen de robotdia en die vraag wordt het echt nuttige deel van de lezing overgeslagen, en dat gaat zelden over robots.
AI voor medische beeldvorming, in de vorm waarin het daadwerkelijk op de markt komt en wordt gebruikt, is veel minder spectaculair en veel interessanter. Het is software die een CT-scan van de borstkas analyseert voordat de radioloog het bestand opent, en de drie onderzoeken uit de tweehonderd markeert die als eerste door een mens moeten worden bekeken. Het is een model dat een tumor elke keer op precies dezelfde manier meet, in plaats van zoals een vermoeide coassistent die op vrijdag om 18.00 uur meet. Niets daarvan haalt de krantenkoppen. Maar het verandert wel de werkdag van een hele afdeling.
Dit is een praktische rondleiding langs de gebieden waarop AI in de medische beeldvorming daadwerkelijk werkt, waar het nog steeds over zijn eigen schoenveters struikelt, en wat er nodig is om het in een ziekenhuis of beeldvormingscentrum te introduceren zonder onderweg iets belangrijks te verpesten.
In de meest eenvoudige vorm houdt medische beeldvorming op basis van AI in dat software – meestal deep learning-modellen die zijn gebaseerd op convolutionele neurale netwerken of nieuwere transformer-architecturen – wordt getraind om patronen in scans te herkennen, net zoals een ervaren radioloog dat doet. Voer een model voldoende gelabelde röntgenfoto’s van de borstkas in waarop longontsteking te zien is, en het begint dezelfde visuele aanwijzingen op te merken als een radioloog, alleen dan sneller en zonder koffiepauze.
Het toepassingsgebied reikt inmiddels veel verder dan het opsporen van één enkele tumor. De huidige hulpmiddelen raken bijna elke fase van het beeldvormingsproces: beeldacquisitie, reconstructie, interpretatie, rapportage en, in toenemende mate, het voorspellen van het ziekteverloop en de uitkomsten voor de patiënt. Een deel hiervan verloopt als machine learning rechtstreeks in de scanner ingebouwd. Een deel daarvan draait als een aparte laag die het DICOM-bestand uitleest zodra de scan is voltooid.
De toezichthouders hadden deze verschuiving al jaren eerder opgemerkt dan de meeste zorginstellingen. Eind 2025 was de radiologie goed voor ongeveer 76% van elk medisch apparaat met AI-functionaliteit die de afgelopen 30 jaar door de FDA zijn goedgekeurd, meer dan alle andere klinische specialismen samen. Beeldvorming is het gebied waar de gegevens het meest uitgebreid zijn, de patronen visueel genoeg zijn om een neuraal netwerk goed te laten leren en het klinische nut het duidelijkst is; daarom heeft AI hier ook een voorsprong opgebouwd.
AI vervult verschillende taken, afhankelijk van waar het in de workflow is ingepast. Hieronder wordt uitgelegd hoe AI wordt ingezet bij medische beeldvorming, als je eenmaal voorbij de marketingdia bent.
Dit is de toepassing waar iedereen als eerste aan denkt. Een model scant een afbeelding en markeert alles wat eruitziet alsof het er niet hoort te zijn: een knobbeltje, een breuk, een bloeding, een verdachte massa, enzovoort. Het spreekt voor zich dat de output geen diagnose is. Het is slechts een extra paar ogen dat nooit moe wordt of afgeleid raakt, en dat is precies wat een computervisie waar het model goed in is, en precies waar een mens die tijdens zijn dienst zijn tweehonderdste röntgenfoto van de borst bekijkt, niet goed in is.
Segmentatie geeft de omtrek weer en geeft precies aan waar een tumor, orgaan of bloedvat zich op het beeld bevindt. Het klinkt misschien niet erg glamoureus, totdat je beseft hoezeer de radiologie afhankelijk is van consistente metingen in de loop van de tijd. Een model dat dezelfde laesie bij vervolgscans consistent segmenteert, neemt verrassend veel giswerk weg bij het monitoren van de behandeling.
Niet elke scan is even urgent, maar in de werklijsten van PACS (Picture Archiving and Communication System) worden ze van oudsher wel zo behandeld: wie het eerst binnenkomt, wordt het eerst bekeken. Triage-modellen scannen binnenkomende onderzoeken en schuiven alles wat tekenen van een beroerte, longembolie of intracraniële bloeding vertoont naar de top van de wachtrij, soms al binnen enkele minuten na het maken van de opnames. De radioloog neemt nog steeds de uiteindelijke beslissing. Hij doet dat alleen eerder.
AI bewerkt het beeld ook al voordat een mens het te zien krijgt: het verwijdert ruis uit CT-scans met een lage stralingsdosis, verscherpt MRI-beelden die in minder tijd zijn gemaakt dan volgens het standaardprotocol vereist is, of vult hiaten op die zijn ontstaan door bewegingsartefacten. De voordelen zijn duidelijk: lagere stralingsdoses, kortere scantijden en beelden die gemakkelijker te interpreteren zijn.
De nieuwste ontwikkeling combineert beeldvorming met andere soorten gegevens, laboratoriumuitslagen, genomica en klinische aantekeningen om te voorspellen hoe een ziekte zich waarschijnlijk zal ontwikkelen, in plaats van alleen maar te beschrijven wat er op dit moment zichtbaar is. Het staat nog in de kinderschoenen, het is veelbelovend en het is de richting waar momenteel een groot deel van het serieuze onderzoeksgeld naartoe gaat.
Toepassingen zijn één manier om dit te benaderen, maar het klinische aspect is een andere. En dat is waarschijnlijk het aspect dat het belangrijkst is voor degene die het budget goedkeurt. Hier volgen enkele concrete voorbeelden van AI in medische beeldvorming, per specialisme.
Beeldvorming in de oncologie heeft een van de meest uitgebreide staat van dienst op het gebied van AI, vooral omdat screening op borst-, long- en prostaatkanker enorme, goed gelabelde datasets oplevert. In een van de grootste praktijkonderzoeken tot nu toe maakten radiologen gebruik van AI-ondersteunde dubbele beoordeling bij mammografiescreening 17,61 TP180T meer gevallen van kanker ontdekt dan radiologen die er geen gebruik van maakten, bij meer dan 460.000 vrouwen die op 12 locaties in Duitsland werden gescreend.
Bij de behandeling van een beroerte telt elke minuut, en AI-triage-tools die zijn ontwikkeld voor CT- en MRI-scans signaleren nu snel genoeg vermoedelijke occlusies van grote bloedvaten en intracraniële bloedingen, waardoor de tijd tussen de scan en de behandelingsbeslissing wordt verkort. Dezelfde onderliggende technologie volgt ook veranderingen in de witte stof in de loop van de tijd bij aandoeningen zoals multiple sclerose, waarvoor vroeger een moeizame handmatige vergelijking tussen scans nodig was.
MRI- en CT-scans van het hart leveren een enorme hoeveelheid gegevens op, waarin veel beweging zit, en die voor een mens werkelijk moeilijk consistent te meten zijn. AI-tools voeren nu berekeningen van het hartkamervolume, calciumscores en analyses van de kransslagaders uit met een mate van herhaalbaarheid die handmatige metingen zelden halen, aangezien twee cardiologen die hetzelfde hart handmatig meten niet altijd op precies hetzelfde getal uitkomen.
Het opsporen van breuken op röntgenfoto’s, met name subtiele breuken die op een drukke spoedeisende hulp gemakkelijk over het hoofd worden gezien, is een van de minder opvallende succesverhalen op het gebied van AI. De beoordeling van de botleeftijd en de classificatie van artrose hebben hetzelfde patroon gevolgd: taken die altijd enigszins subjectief waren, worden nu aangevuld met een consistente second opinion.
De voordelen van AI op het gebied van medische beeldvorming worden door iedereen anders geïnterpreteerd, dus is het de moeite waard om ze per doelgroep apart te bekijken, in plaats van te doen alsof iedereen hetzelfde wil.
Geen van bovenstaande zaken gebeurt vanzelf, en door te doen alsof dat wel zo is, belanden AI-piloten stilletjes ergens in een la. Dit zijn de factoren die dat vaak in de weg staan.
Een model is slechts zo goed als de labels waarop het is getraind, en het annoteren van medische beelden is een tijdrovend en kostbaar proces dat daadwerkelijke klinische expertise vereist. Inconsistenties in de labeling tussen verschillende instellingen zijn een van de meest voorkomende redenen waarom een model tijdens het testen uitstekend presteert, maar in de praktijk teleurstellende resultaten oplevert.
Modellen die voornamelijk zijn getraind op basis van één populatie, één merk scanner of de beeldvormingsprotocollen van één ziekenhuis, presteren over het algemeen minder goed in andere situaties. Een model dat patronen in borstdichtheid heeft geleerd op basis van één demografische groep, is niet automatisch toepasbaar op een andere groep.
Elke drempelwaarde is een afweging. Stel je deze te gevoelig in, dan worden radiologen overspoeld met valse alarmen, wat precies die alarmmoeheid veroorzaakt die de tool juist had moeten voorkomen. Ga je te ver in de richting van specificiteit, dan begint het systeem echte bevindingen over het hoofd te zien. Er is geen instelling waarmee deze afweging verdwijnt; er zijn alleen instellingen die beter of slechter aansluiten bij een bepaalde klinische context.
Een model dat zegt: “kanker, 87% betrouwbaarheid”, zonder aan te geven waarom, is moeilijk te verkopen aan een radioloog die wettelijk en professioneel verantwoordelijk is voor de uiteindelijke beslissing. Hulpmiddelen die de daadwerkelijke pixels benadrukken die ten grondslag liggen aan een voorspelling, winnen sneller vertrouwen dan hulpmiddelen die dat niet doen, vooral omdat ze een arts in staat stellen de diagnose van medische beeldvorming door AI te toetsen op juistheid.
Medische beelden bevatten beschermde gezondheidsinformatie, en AI-processen waarbij die gegevens worden uitgewisseld tussen scanners, opslagsystemen, cloud-inferentie en rapportagesystemen vergroten het aantal punten waarop er iets mis kan gaan. Versleuteling tijdens verzending en in rust, strikte toegangscontroles en auditlogging zorgen ervoor dat een datalek niet uitmondt in een ramp op het gebied van regelgeving.
Wie is er verantwoordelijk als er bij een door AI ondersteunde analyse iets over het hoofd wordt gezien? De regelgeving is nog bezig om die vraag te beantwoorden, en goedkeuring door een instantie als de FDA heeft betrekking op de prestaties van de software, niet op de juridische en klinische verantwoordingsstructuur rond het gebruik ervan.
Een model dat is gevalideerd op basis van de scannermodellen en het patiëntenbestand van vorig jaar kan stilletjes in kwaliteit achteruitgaan naarmate apparatuur, protocollen en patiëntenpopulaties veranderen; dit probleem staat bekend als ‘drift’. Zonder voortdurende prestatiebewaking blijft die achteruitgang onopgemerkt, totdat iemand ontdekt dat het model al maandenlang onjuist is. Dit is precies het soort situatie waarbij een degelijk MLOps-werkwijzen zijn bedoeld om het probleem op te sporen voordat het een medisch probleem wordt.
Een model laten werken in een wetenschappelijk artikel en het laten werken binnen een echte radiologieafdeling zijn twee heel verschillende projecten. Hier volgt een beschrijving van dat tweede project.
Elke succesvolle implementatie begint kleinschalig: één beeldvormingsmodaliteit, één aandoening, één duidelijk omschreven klinische vraag. “AI voor radiologie” is geen concreet toepassingsvoorbeeld. “Verdachte longembolie op een thorax-CT binnen vijf minuten na de opname signaleren” is dat wel.
Hier zit het grootste deel van het echte werk verborgen: het opschonen, anonimiseren en annoteren van beeldgegevens tot een niveau waarop het model ervan kan leren. De volgende uitdaging is ervoor te zorgen dat de gegevens een afspiegeling vormen van de patiëntenpopulatie en de apparatuur waarop het model uiteindelijk zal draaien.
Een kant-en-klaar model, een verfijnd basismodel of een volledig op maat gemaakt model? Het juiste antwoord hangt af van hoe vaak de klinische taak voorkomt en in hoeverre uw patiëntenpopulatie afwijkt van de populatie waarop bestaande modellen zijn getraind. Daar komen we in de volgende paragraaf op terug.
Een model dat geen onderzoeken uit PACS kan ontvangen, bevindingen niet terug kan schrijven naar RIS en resultaten niet kan weergeven in het EPD dat een arts al gebruikt, is geen klinisch hulpmiddel, maar een onderzoeksproject met goede bedoelingen. Integratie van EHR en EMR Dit werk is niet bepaald glamoureus, maar wel absoluut onmisbaar, want niemand wil een derde applicatie openen alleen maar om te zien wat de AI heeft gevonden.
De interface is bijna net zo belangrijk als het model dat erachter zit. De bevindingen van de AI moeten worden weergegeven in de tools die radiologen al gebruiken en worden gepresenteerd in een formaat dat aansluit bij hun klinische workflow, met eenvoudige opties om de suggesties van de AI te accepteren, af te wijzen of te negeren.
De livegang is natuurlijk niet het eindpunt. Door voortdurende monitoring wordt de nauwkeurigheid getoetst aan daadwerkelijke resultaten, wordt er gelet op afwijkingen en wordt direct opgemerkt wanneer een firmware-update op de scanner ongemerkt de beelden verandert die het model waarneemt.
Vroeg of laat komt elk plan voor AI-technologie op het gebied van medische beeldvorming op hetzelfde kruispunt terecht, en dan zegt iemand in de zaal het woord “roadmap” met meer zelfvertrouwen dan de situatie verdient. Je kunt het zelf bouwen, iets kopen dat al bestaat, of mensen inhuren die de dure fouten al hebben gemaakt op het budget van iemand anders. Geen van deze drie opties is in theorie de juiste. Eén ervan is wel de juiste keuze voor jouw team, jouw deadline en hoeveel risico je juridische afdeling nog voor de lunch kan verdragen.
| Benadering | Snelle implementatie | Voorafgaande kosten | Klinische aanpassing | Onderhoud op lange termijn |
|---|---|---|---|---|
| Zelf bouwen | Langzaam: maanden tot jaren | Veeleisend, vereist een speciaal ML-team | Zeer hoog | Dat is volledig de verantwoordelijkheid van jullie team |
| Kant-en-klaar kopen | Snel: weken | Lagere eenmalige en doorlopende licentiekosten | Beperkt tot wat de leverancier ondersteunt | Wordt door de verkoper afgehandeld |
| Werk samen met een ontwikkelteam | Matig: weken tot enkele maanden, een jaar | Gematigd, afgestemd op het project | Hoog | Overgedragen of doorverwezen na stabilisatie |
Helaas volstaan goede bedoelingen niet om een beveiligingsaudit te doorstaan. Voordat een AI/ML-pijplijn voor medische beeldvorming ook maar in de buurt van een echte patiënt komt, moet er al een vrij onopvallende stack aan de basis liggen, die stilletjes zijn werk doet zodat niemand erover hoeft na te denken.
Dit is in grote lijnen de volgorde waarin we klanten door het proces begeleiden, samengesteld op basis van projecten waarbij de AI-beeldverwerkingsoplossingen de proeffase hebben doorstaan en hun weg hebben gevonden naar de dagelijkse praktijk.
Een aantal ontwikkelingsrichtingen duikt zo vaak op in serieus onderzoek en productroadmaps dat ze de moeite waard zijn om in de gaten te houden, in plaats van ze af te doen als presentatiemateriaal van leveranciers. Dit is grofweg waar AI de medische beeldvorming ingrijpend verandert zodra teams de huidige instrumenten niet meer toereikend vinden.
Ons werk hier bestrijkt de volledige AI-stack voor medische beeldvorming in de gezondheidszorg. Enerzijds, computervisie modellen die zijn getraind op basis van echte klinische beeldgegevens. Aan de minder glamoureuze kant: het integratiewerk met PACS, RIS en EHR, dat bepaalt of dit alles überhaupt wordt gebruikt. Naleving van HIPAA, de AVG en de MDR wordt niet pas op het laatste moment eraan toegevoegd. Ze maken vanaf de eerste sprint deel uit van het ontwikkelingsproces, en onze ISO 13485-certificering dekt precies het soort software voor medische hulpmiddelen waarop dit betrekking heeft. Onze casestudy's uit de gezondheidszorg geven een beter beeld van hoe dat er in de praktijk uitziet dan ik hier ooit zou kunnen samenvatten.
AI zal het niet redden tegen een gebrekkige PACS-integratie, en het zal ook niet zitten wachten op een perfecte integratie. Ergens tussen het proefprogramma en de rommelige realiteit van ziekenhuis IT bekijken radiologieafdelingen beelden nu al op een andere manier dan vijf jaar geleden. Of die verschuiving als revolutionair of gewoon stilletjes nuttig wordt ervaren, heeft minder te maken met het algoritme dan met de vraag wie bereid was om als eerste het vaak over het hoofd geziene integratiewerk te doen.
Eerlijk gezegd een beetje van alles: het opsporen van afwijkingen, beeldsegmentatie en -meting, triage van werklijsten, beeldreconstructie, gestructureerde rapportage en voorspellende analyses, verspreid over verschillende beeldvormingsmodaliteiten zoals röntgen, CT, MRI en echografie.
Röntgenfoto’s, CT-scans, MRI-scans, echografieën, mammografieën, PET-scans en, in toenemende mate, pathologische beelden van volledige objectglaasjes. Röntgenfoto’s en CT-scans hebben nog steeds de langste en meest gevestigde staat van dienst.
In de meeste gevallen wel. Klinische AI-tools zijn doorgaans zo ontworpen dat ze via standaarden als DICOM, DICOMweb, HL7 V2 en FHIR kunnen worden geïntegreerd in bestaande PACS- en RIS-systemen, hoewel de mate waarin die integratie daadwerkelijk plaatsvindt nog steeds sterk afhangt van de leverancier.
Dat hangt sterk af van de taak en van de mate waarin het model grondig is gevalideerd; bekijk elk afzonderlijk nauwkeurigheidscijfer dan ook met enige scepsis. Goed gevalideerde hulpmiddelen op gebieden zoals mammografiescreening hebben daadwerkelijke verbeteringen in de detectiepercentages laten zien ten opzichte van beoordeling zonder hulpmiddelen, maar gaan ook gepaard met reële afwegingen wat betreft het percentage vals-positieve resultaten, die het overwegen waard zijn.
Er is hier geen vast aantal. Het hangt af van de complexiteit van de klinische taak, maar bij gevalideerde, door de FDA goedgekeurde beeldvormingsmodellen zijn in het verleden doorgaans enkele honderden tot enkele duizenden patiëntgevallen gebruikt voor klinische validatie.
In de VS gaat het voornamelijk om goedkeuring door de FDA via procedures zoals 510(k), De Novo of PMA, plus de HIPAA voor gegevensbescherming. In de EU zijn dat de verordening inzake medische hulpmiddelen (MDR), de AVG en de EU-AI-wet.
Het korte antwoord is nee. De huidige tools zijn goedgekeurd als hulpmiddelen voor ondersteunend of gelijktijdig lezen, niet als zelfstandige lezers, dus de uiteindelijke klinische beslissing ligt nog steeds bij een radioloog, niet bij een model.
Eerlijk gezegd loopt het te veel uiteen om er één vast bedrag op te plakken. Of je nu een kant-en-klaar product koopt, een maatoplossing laat bouwen of samenwerkt met een ontwikkelingsteam: de kosten vallen allemaal heel verschillend uit, net als de complexiteit van de integratie en het aantal betrokken websites. Met een gedetailleerd adviesgesprek kom je veel sneller tot een concreet bedrag dan met giswerk.
