A foundation-model-powered AI system with post-read alerts and concurrent assistance improves gastric biopsy diagnosis across 29 pathological categories

Stel je een patholoog voor als een detective die een mysterie probeert op te lossen in een piepklein, gekleurd stukje weefsel. Meestal moeten ze naar slechts een paar aanwijzingen zoeken: "Is er kanker? Is het een specifiek type kanker?" Maar in de echte wereld kan het weefsel tegelijkertijd 29 verschillende geheimen verbergen — van gevaarlijke tumoren en voorstadia van kanker tot onzichtbare bacteriën en onschuldige bultjes. Proberen al deze zaken tegelijkertijd te ontdekken, is also_ een detective vragen om een naald, een verloren oorbel, een spin en een specifiek type stof te vinden in dezelfde hooiberg, terwijl hij tegelijkertijd een rapport van 100 pagina's leest.

Dit artikel introduceert een nieuwe AI "super-detective" die in staat is om al deze 29 aanwijzingen tegelijkertijd te verwerken. Hieronder volgt hoe het werkt, wat het heeft gevonden en waar het nog oefening nodig heeft.

De Super-detective met een Magisch Geheugen

De meeste AI-detectives uit het verleden werden getraind om slechts twee of drie dingen te zoeken. Dit nieuwe systeem is echter gebouwd met behulp van een "foundation model" (basismodel). Denk hierbij aan een detective die al miljoenen boeken over allerlei soorten menselijk weefsel heeft gelezen voordat hij ooit een maagbiopt te zien kreeg. Ze leerden niet alleen van maagcoupes; ze leerden van 70.618 whole slide images van over het hele lichaam.

Omdat deze AI zo'n enorme voorsprong had, hoefde hij niet alles vanaf nul te leren. De onderzoekers hoefden hem alleen maar 10.462 maagbiopten te laten zien om hem te leren hoe hij de 29 specifieke categorieën kon herkennen. Nog verbazingwekkender was dat de AI leerde om precies aan te geven waar de problemen zaten (zoals het trekken van een rode cirkel rond een tumor) zonder dat iemand hem ooit een enkele afbeelding had laten zien waarop een cirkel getekend stond. Hij ontdekte de locatie helemaal zelf, enkel door te kijken naar de uiteindelijke diagnose die in de medische dossiers van het ziekenhuis stond geschreven.

De Twee Manieren waarop de AI Helpt

De onderzoekers hebben deze AI op twee zeer verschillende manieren getest, zoals het testen van een nieuwe veiligheidsfunctie in een auto.

1. Het "Post-Read" Veiligheidsnet
Eerst probeerden ze de AI als een "post-read alert system" (waarschuwingssysteem na de beoordeling). Stel je een docent voor die een toets nakijkt en deze vervolgens overhandigt aan een tweede, supersnelle nakijker die alleen controleert op fouten die de eerste docent misschien over het hoofd heeft gezien.

• De Simulatie: De onderzoekers namen gegevens van vier verschillende ziekenhuizen (betrokken bij 4.679 gevallen) en draaiden de AI over deze gegevens nadat de artsen hun werk al hadden afgerond.
• Het Resultaat: De AI vond 17 gevallen van kanker die in de oorspronkelijke dossiers ofwel gemist waren, ofwel als iets onschuldigs waren gelabeld. Toen een ervaren patholoog deze specifieke gevallen beoordeelde, stemde hij ermee in: "Ja, de AI had gelijk, en het oorspronkelijke dossier was onjuist."
• De Kanttekening: Dit was een simulatie. De AI heeft deze fouten niet in real-time gestopt; het liet alleen zien wat zou zijn gebeurd als de AI er wel was geweest. Maar het bewees dat de AI kan fungeren als een krachtig veiligheidsnet om achteraf fouten te ontdekken.

2. De "Concurrent" Co-piloot
Vervolgens testten ze de AI als een "concurrent assistance" systeem (gelijktijdige assistentie). Dit is als een co-piloot die naast de detective zit en naar de aanwijzingen wijst terwijl deze ze bekijkt.

• Het Experiment: Zes pathologen bekeken tweemaal 120 coupes. Eén keer op hun eigen manier, en één keer met de hulp van de AI die verdachte gebieden in verschillende kleuren markeerde (Rood voor kanker, Geel voor pre-kanker, Groen voor weefselveranderingen en Blauwe contouren voor bacteriën).
• Het Resultaat: Met de hulp van de AI werden de pathologen beter in het opsporen van kanker. Hun succespercentage steeg van 92,2% naar 94,8%. Ze werden ook beter in het opsporen van "metaplasie" (een specifiek type weefselverandering), waarbij ze sprongen van 94,2% naar 97,4%.
• De Snelheid: Ze voltooiden de taak ook iets sneller, waarbij de gemiddelde tijd per coupe daalde van 43,8 seconden naar 41,1 seconden.
• De Beperking: De AI hielp niet veel bij het opsporen van de bacteriën (H. pylori) of de pre-cancereuze "dysplasie" in deze specifieke test. Het artikel suggereert dat dit komt doordat die aanwijzingen moeilijker te zien zijn of dat de highlights van de AI voor die specifieke taken niet zo nuttig waren.

De "Super-learner" versus de "Hardwerkende"

Een van de meest opwindende delen van het artikel is een vergelijking tussen twee soorten leren.

• De "Hardwerker": Een model dat vanaf nul wordt getraind, zoals een student die elk boek in de bibliotheek vanaf de eerste pagina moet lezen. Zelfs toen dit model 10.462 coupes bestudeerde, had het moeite met het vinden van bepaalde lastige kankersoorten.
• De "Super-learner" (Het Foundation Model): Dit model, dat zijn enorme voorgetrainde kennis bezat, kreeg slechts 400 coupes te zien (200 kanker, 200 niet-kanker).
• De Schok: De "Super-learner" met slechts 400 coupes presteerde beter dan de "Hardwerker" die meer dan 10.000 coupes had bestudeerd. De Super-learner behaalde een bijna perfecte score (0,9906) bij het vinden van kanker, waarmee hij de beste score van de Hardwerker (0,9755) versloeg. Dit suggereert dat het hebben van een brede, bestaande kennisbasis veel krachtiger is dan alleen het hebben van een grote hoeveelheid data om te memoriseren.

Wat het Artikel NIET Zegt

Het is belangrijk om te weten wat deze AI nog niet heeft gedaan.

• Het is geen vervanging: Het artikel zegt niet dat de AI pathologen kan vervangen. Sterker nog, de AI is ontworpen om met hen samen te werken, hetzij als een tweede paar ogen, hetzij als een veiligheidsnet.
• Het is niet perfect voor alles: De AI heeft nog steeds wat moeite met zeer zeldzame soorten tumoren omdat er niet genoeg voorbeelden waren om hem mee te onderwijzen.
• Het is geen wondermiddel voor snelheid: Hoewel het de pathologen iets sneller maakte, merkt het artikel op dat het opsporen van bacteriën (H. pylori) nog steeds een traag en nauwgezet werk is dat heel dichtbij kijken vereist, en de AI heeft dat proces niet veel versneld.
• Het is geen definitief oordeel: De resultaten van de "Post-Read" waren een simulatie. Het artikel stelt dat we echte, prospectieve studies nodig hebben (waarbij de AI daadwerkelijk in een ziekenhuis wordt gebruikt terwijl het gebeurt) om te bewijzen dat het in de praktijk werkt.

De Kern van het Verhaal

Dit artikel laat zien dat een AI, gebouwd op een fundament van enorme, algemene kennis, kan leren om 29 verschillende maagcondities met ongelooflijke nauwkeurigheid te herkennen met zeer weinig specifieke trainingsdata. Het suggereert dat het gebruik van deze AI als een "veiligheidsnet" om gemiste fouten te vangen en als een "co-piloot" om artsen te helpen sneller kanker te vinden, een veelbelovende weg vooruit is. De auteurs benadrukken echter voorzichtig dat hoewel de cijfers er in simulaties en gecontroleerde tests geweldig uitzien, de echte test in de praktijk pas net is begonnen. De AI is een krachtig nieuw instrument, maar hij leert nog steeds hoe hij de perfecte partner kan zijn in de detectivekamer.