Binnen het ALCOVE-project begint alles met een eenvoudige handeling: ademen.
Achter deze ogenschijnlijke eenvoud schuilt echter een grote wetenschappelijke uitdaging: onzichtbare signalen omzetten in bruikbare informatie voor de vroegtijdige opsporing van longkanker.
Hoewel de elektronische neus zeer subtiele variaties in uitgeademde lucht kan detecteren, zeggen deze signalen op zichzelf weinig. Ze moeten eerst worden geïnterpreteerd. Dat is precies de rol van de algoritmen die door de Universiteit van Rijsel worden ontwikkeld.
Gegevens eerst beveiligen en structureren
Voor ze geanalyseerd kunnen worden, doorlopen de gegevens uit het systeem een cruciale voorbereidende fase.
Ze worden verzameld, beveiligd en gestructureerd door de teams van KU Leuven.
Hierdoor zijn zowel de bescherming van gezondheidsgegevens als de kwaliteit en bruikbaarheid verzekerd. Daarnaast wordt er aandacht besteed aan ergonomie, zodat de ontwikkelde tools ook in de praktijk vlot kunnen worden gebruikt. Pas nadat deze gegevens zijn voorbereid, kunnen de algoritmen aan de slag.
Begrijpen wat de sensoren meten
De elektronische neus bestaat uit een reeks sensoren die reageren op verbindingen die aanwezig zijn in uitgeademde lucht. Het resultaat kan worden vergeleken met een complex dashboard waarop meerdere signalen tegelijkertijd verschijnen.
De uitdaging bestaat niet uit het analyseren van één afzonderlijk signaal, maar uit het identificeren van specifieke combinaties van signalen. Deze combinaties, ook wel profielen of signaturen genoemd, maken het mogelijk om proefpersonen met en zonder aandoening van elkaar te onderscheiden.
Het doel van de algoritmen is dus terugkerende patronen te herkennen en daar betekenis aan te geven.
Leren op basis van reële gegevens
Om deze signaturen te identificeren, moeten de modellen getraind worden met gegevens uit het klinisch onderzoek.
Een bijzonder kenmerk van het ALCOVE-project is het gelijktijdige gebruik van twee soorten gegevens: enerzijds de signalen van de elektronische neus en anderzijds de moleculen die aanwezig zijn in de uitgeademde lucht, geïdentificeerd via referentie-analyses.
Deze dubbele benadering maakt het mogelijk om hetzelfde fenomeen vanuit twee verschillende perspectieven te bekijken. Hierdoor ontstaat een beter begrip van wat het apparaat daadwerkelijk meet en kunnen zowel de prestaties als de beperkingen ervan worden geëvalueerd.
Black box versus white box: AI begrijpelijk maken
Niet alle modellen voor artificiële intelligentie zijn even transparant.
Sommige modellen, de zogenaamde “black boxes”, kunnen uitstekende resultaten opleveren zonder uit te leggen hoe ze daartoe zijn gekomen. Een eenvoudige vergelijking helpt om dit te begrijpen: een hond die getraind is om een ziekte op te sporen kan zeer effectief zijn, maar niemand weet precies op basis waarvan de hond zijn beslissing neemt.
Daartegenover staan de “white box”-modellen, die het mogelijk maken het volledige beslissingsproces te reconstrueren. Ze tonen welke sensoren of welke combinaties van signalen hebben geleid tot een bepaalde uitkomst.
Binnen ALCOVE staat deze interpreteerbaarheid centraal.
Een Europese vereiste: beslissingen kunnen verklaren
Deze keuze sluit volledig aan bij de Europese verwachtingen, met name binnen het kader van de AI Act, die de ontwikkeling van transparante en uitlegbare AI-systemen stimuleert.
Binnen de gezondheidszorg is deze vereiste nog belangrijker. Het begrijpen van resultaten versterkt niet alleen het vertrouwen van zorgprofessionals, maar kan ook nieuwe wetenschappelijke inzichten opleveren door onderliggende biologische mechanismen bloot te leggen.
Een algoritme moet dus niet alleen een antwoord geven, maar ook bijdragen aan wetenschappelijke kennis.
AutoML: modellen automatisch optimaliseren
Voor de ontwikkeling van deze modellen maken de onderzoekers ook gebruik van Auto Machine Learning (AutoML).
Met deze technieken kan de computer automatisch verschillende configuraties testen, parameters aanpassen en gegevens optimaal voorbereiden.
Deze automatisering levert een aanzienlijke tijdswinst op, waardoor onderzoekers zich kunnen concentreren op wat echt belangrijk is: het analyseren en interpreteren van resultaten, en de samenwerking met de andere partners binnen het project.
Collectieve intelligentie ten dienste van analyse
Binnen ALCOVE werken algoritmen nooit op zichzelf.
Hun ontwikkeling steunt op voortdurende interacties tussen datawetenschappers, clinici en specialisten in sensortechnologie.
Elk resultaat wordt besproken, getoetst aan de praktijk en waar nodig bijgestuurd. Deze gezamenlijke aanpak is essentieel om de relevantie van de geïdentificeerde profielen te garanderen en verkeerde interpretaties te vermijden.
Betekenis geven om beter te detecteren
Het uiteindelijke doel is betrouwbare signaturen identificeren die verband houden met longkanker en begrijpen hoe die zich vertalen in de verzamelde gegevens.
De algoritmen fungeren daarbij als een brug tussen technologie en geneeskunde: ze zetten complexe signalen om in interpreteerbare informatie.
Meer dan alleen technische prestaties zijn het juist deze mogelijkheden om resultaten te verklaren, begrijpen en delen die het ALCOVE-project sterk maken en een essentiële voorwaarde vormen voor het ontwikkelen van nuttige innovaties in de gezondheidszorg.
Binnen het Interreg-project ALCOVE beperkt artificiële intelligentie zich niet tot het maken van voorspellingen. Ze helpt ons te begrijpen wat uitgeademde lucht onthult en maakt van deze informatie een waardevol instrument voor onderzoek en vroegtijdige opsporing.
