Technologische ontwikkelingen hebben de laatste decennia de neurologie naar een hoger niveau getild. Het bijzonderste voorbeeld is misschien nog de bijdrage van de MRI, die ons een blik zonder voorgaande op de hersenen gunt. Nieuwe technieken uit de wereld van artificiële intelligentie vinden aan sneltempo ingang in ons dagelijkse leven, denk maar aan voetgangersdetectie in de meest recente auto’s. Hierbij wordt machinaal leren gebruikt om het onderscheid te maken ('klasseren') tussen het 'patroon' van voetgangers voor de auto en andere objecten, bv. in een carwash.
Machinaal leren is een krachtige en gevoelige techniek die kan toegepast worden in vele domeinen. Soms verschijnen in de media berichten dat zulke technieken het binnenkort zullen overnemen van ons, artsen, omdat ze ons zouden overtroeven bij het stellen van diagnoses. Immers, computers hebben toegang tot enorme bronnen van vakliteratuur (zoals Pubmed) en zouden die vliegensvlug kunnen doornemen om de symptomen van de patiënt, die een 'patroon' vormen, te matchen met de juiste diagnose.
Op het eerste gezicht lijkt het een snelle en performante manier om tot een diagnose te komen. Enige kennis van machinaal leren is echter nodig om in te zien dat men toch enige caveats in acht moet nemen. Zoals de term aangeeft, dient deze methode zelf eerst te 'leren' patronen te herkennen op basis van grote datasets. Daarbij hoort de veronderstelling dat binnen deze datasets alle diagnoses correct werden gesteld door een arts, niet door een machine. Voor sommige aandoeningen lijkt dit nog aannemelijk (bv. detectie van een bloeding op CT), maar voor andere ziekten zijn er geen grote betrouwbare datasets aanwezig (bv. zeldzame ziekten waarvoor neuropathologische bevestiging nodig is).
Ten tweede lijkt het me erg onbezonnen om machinaal leren in de praktijk in te zetten zonder dat men weet hoe zo’n methode tot een diagnose komt. Artikels waarin deze technieken aan bod komen, rapporteren soms een significante uitkomst, zonder mee te geven welke elementen de doorslag geven bij de classificatie (naargelang de techniek is dit al dan niet gemakkelijk te achterhalen). Zo kan de variabele 'leeftijd' bijdragen om de kans op bv. de ziekte van Alzheimer in te schatten, maar uiteraard betreft het een povere voorspelling als dit het enige belangrijke element is. Er moet wel erkend worden dat machinaal leren patronen kan oppikken uit tientallen variabelen, waar we als arts vaak niet toe in staat zijn. Wat dit betreft kunnen we wel degelijk zelf nog iets leren van deze technieken.
Artsen vervangen door algoritmes, voorlopig is het dus helemaal niet aan de orde. Een handig hulpmiddel kan machinaal leren ons wel bieden. Een mooi voorbeeld is een studie uit 2018 waarbij door middel van machinaal leren CT-scans geklasseerd werden als verdacht of niet verdacht voor intracraniële bloeding (ICB). De scans waarop een ICB vermoed werd, werden bovenaan geplaatst in de werklijst van de radioloog. Dit resulteerde in een snellere opsporing van ICB. Misschien is er dus wel plaats voor machinaal leren als digitaal hulpmiddel. De komende jaren wordt dit alvast een boeiend thema in ons steeds veranderende medische landschap.
