2min

Het Computer Science en Artificial Intelligence Lab van MIT heeft een voorspellend kunstmatige intelligentie (AI)-model ontwikkeld, dat de ontwikkeling van borstkanker vijf jaar voor die tijd kan voorspellen. Het model is bovendien zo ontworpen dat het even accuraat is voor witte als voor donkere vrouwen. 

De onderzoekers die aan het project werkten wisten dat bij vergelijkbare projecten er vaak vooroordelen zitten in de AI, omdat ze vooral op data van witte patiënten getraind werden. Daarom ontwierpen ze hun eigen model op zo’n manier dat het geïnformeerd werd op basis van “eerlijkere” data, meldt TechCrunch.

Dat is volgens de onderzoekers ook nodig, omdat zwarte vrouwen 42 procent meer kans hebben dan witte vrouwen om te overlijden als gevolg van borstkanker. Een oorzaak daarvan kan zijn dat deze groep vrouwen niet zo goed geholpen wordt door de huidige technieken voor vroege detectie van de ziekte. Het doel van de ontwikkeling van de techniek die de onderzoekers nu gebruiken, was gericht op het accurater maken van het vaststellen van dit soort gezondheidsrisico’s bij minderheden, die vaak minder goed gerepresenteerd zijn bij de ontwikkeling van deep learning-modellen.

Training tool

De MIT-tool is getraind op mammogrammen en patiëntresultaten – waarbij de uiteindelijke ontwikkeling van kanker een belangrijk resultaat was – van bijna 60.000 patiënten. In totaal werden er 90.000 mammogrammen gebruikt, allemaal van patiënten van het Massachusetts General Hospital. De tool begint bij de data en gebruikt deep learning om patronen te identificeren die menselijke artsen niet kunnen zien.

Omdat de tool niet gebaseerd is op bestaande aannames of ontvangen kennis over risicofactoren – wat een suggestief framework is – blijken de resultaten vooralsnog veel accurater te zijn. Dit geldt in het bijzonder voor voorspellende ontdekkingen, nog voor een diagnose is gesteld.

Het project is bedoeld om gezondheidsprofessionals te helpen bij het opbouwen van een goed screeningprogramma, en de gevolgen van een late diagnose te voorkomen. MIT hoopt verder dat de techniek gebruikt kan worden om de detectie van andere ziekten die ook problemen hebben met bestaande risicomodellen met lage accuraatheid te verbeteren.