Cookies

We use cookies to give you the best experience on our website. You can find out more about which cookies we use or disable them in the settings. - Go to cookie settings

Go to content

Project Update: Deep Learning to extract biomarkers for the diagnosis and personalized treatment of neuropsychiatric disorders

Published 24 November 2022

RSS Feed

This article was placed on: c2d

Psychische aandoeningen hebben een grote impact op het leven van mensen. Snel herstel is afhankelijk van een goede diagnose en behandeling. Het probleem is echter dat er geen objectieve criteria zijn om vast te stellen welke psychiatrische aandoening een patiënt precies heeft en welke behandeling voor hem of haar het beste is. Kan deep learning een rol spelen bij de diagnostiek en behandeling van neuropsychiatrische stoornissen?

Begin november spraken we hierover met prof. dr. Guido Van Wingen. Guido is hoogleraar Neuroimaging in de Psychiatrie aan de Faculteit der Geneeskunde van de Universiteit van Amsterdam (AMC-UvA). Hij verricht onderzoek met behulp van beeldvormende technieken (neuroimaging) naar de onderliggende werkingsmechanismen van psychiatrische aandoeningen, met name bij depressie en obsessieve-compulsieve stoornissen. Hij onderzoekt hoe biologische en psychologische factoren, die samenhangen met psychiatrische kwetsbaarheid, de hersenen beïnvloeden. Ook doet hij onderzoek naar hoe succesvolle behandelresultaten voorspeld kunnen worden en hoe het de hersenfunctie normaliseert.

De achtergrond

Dit onderzoek (start 2019) valt onder de Data2person call voor het stimuleren van multidisciplinair onderzoek dat een bijdrage levert aan de ontwikkeling van effectieve, efficiënte en verantwoorde personal empowerment methodes voor een gezonde samenleving in de toekomst. Guido werkt in dit project samen met Philips. Philips maakt gebruik van geavanceerde technologieën en diepgaand inzicht in klinische toepassingen en de behoeften van consumenten om geïntegreerde oplossingen te ontwikkelen. De onderneming is marktleider op het gebied van diagnostische beeldvorming, beeldgestuurde behandelingen, medische IT toepassingen, patiëntbewaking, thuiszorgsystemen en gezondheidstoepassingen voor consumenten. Selene Gallo rondde haar postdoc onderzoek vorig jaar af, Ahmed El-Gazzar werkt momenteel aan de voltooiing van zijn proefschrift. Het eigenlijke onderzoek zit er nu op.

MRI + AI

Het doel van dit onderzoek is om geavanceerde technieken uit de kunstmatige intelligentie door te ontwikkelen om hersenscans te analyseren, en deze technieken vervolgens te gebruiken voor objectieve diagnostiek en het voorspellen van de respons op elektroconvulsieve therapie voor patiënten met een ernstige depressie.
“Op basis van klinische gegevens en vragenlijsten konden we nooit goed voorspellen of een patiënt baat heeft bij een bepaalde behandeling. Daarom zijn we een jaar of tien geleden gestart met het gebruik van MRI beelden om te kijken of we daarmee kunnen voorspellen of een patiënt baat heeft bij een bepaalde behandeling. We startten met elektroconvulsie* therapie.” Artificiële Intelligentie blijkt dit wel te kunnen. Studies laten zien dat machinelearninganalyse van zowel functionele als structurele kenmerken (biomarkers) op een MRI-scan van de hersenen ook van diagnostische, prognostische en voorspellende waarde kan zijn in de psychiatrie. Vooral MRI in combinatie met AI bleek op individueel niveau goed te kunnen voorspellen of een behandeling een goede kans heeft van slagen.
“In dit onderzoek wilden we vervolgens kijken of dit door middel van deep learning nóg beter zou kunnen.”

Kan het nóg beter met deep learning?

De ontwikkelingen op het gebied van kunstmatige intelligentie gaan razendsnel. De eerste paar jaar van het onderzoek probeerde het onderzoeksteam de allernieuwste technieken uit. De gehoopte vooruitgang en toegevoegde waarde van deep learning bleef in eerste instantie echter uit. “Helaas moesten we na enkele jaren zwoegen concluderen dat het technisch allemaal wel bleek te werken, echter werd het niet beter dan wat we ook al konden met de klassieke machine learning technieken.” Op het einde van het project - in 2021 - boekte het team ineens toch een flinke vooruitgang.

Toeval? Op de valreep een nieuwe deep learning techniek

Het kon dus toch nóg beter! In de loop der tijd zijn er betere - deep learning - algoritmes gekomen. “Op de valreep van het project boekten we enorme vooruitgang door ontwikkelingen in het deep learning veld. We kwamen op een nieuwe techniek - die pas in 2021 is ontwikkeld – waarbij we gebruik konden maken van enorme hoeveelheid MRI-datasets van de UK Biobank in combinatie met een nieuw type algoritme.”

De UK Biobank is een grootschalige biomedische database en onderzoeksbron, met diepgaande genetische en gezondheidsinformatie van een half miljoen Britse deelnemers. De database wordt regelmatig aangevuld met aanvullende gegevens en is wereldwijd toegankelijk voor goedgekeurde onderzoekers die vitaal onderzoek doen naar de meest voorkomende en levensbedreigende ziekten. Het levert een belangrijke bijdrage aan de vooruitgang van de moderne geneeskunde en behandeling en heeft verschillende wetenschappelijke ontdekkingen mogelijk gemaakt die de menselijke gezondheid verbeteren.

“Toen we van deze enorme dataset gebruik konden maken mét geschikte deep learning technieken, bleek dat we toch de gewenste en gehoopte vooruitgang konden boeken.”

Deep Learning Model
Guido van Wingen - Deep Learning Model


80% nauwkeurig prognostisch model

Er zijn uiteindelijke mooie resultaten geboekt met het onderzoek, de juiste methode is gevonden en MRI blijkt dus zinvol te kunnen zijn voor de psychiatrie. Met de komst van machinelearninganalyse komt de klinische toepassing van MRI in de psychiatrie een stap dichterbij. Recente studies laten zien dat machinelearninganalyse van zowel functionele als structurele kenmerken (biomarkers) op een MRI-scan van de hersenen ook van diagnostische, prognostische en voorspellende waarde kan zijn in de psychiatrie. “Voor 8 van de 10 patiënten kunnen we nu correct voorspellen of een behandeling gaat werken. We weten dat op groepsniveau 30-40% van de patiënten baat heeft bij een behandeling, maar je weet vooraf dus niet wie. Dit resultaat is dan ook een enorme stap ten opzichte van deze voorspelling van 50% - op kans niveau - door een behandelaar die niet weet of een behandeling dus zal aanslaan.”

Nieuwe aanvraag

Guido geeft aan dat ze eigenlijk nog aan het begin van het onderzoekstraject staan, dit was fase 1. Ze willen met een nieuwe aanvraag (met een nationaal consortium) een stap verder gaan richting de klinische toepassing en het model gaan toepassen op het voorspellen van de uitkomsten van behandelingen bij depressie. Om de juiste modellen te kunnen maken is het noodzakelijk om veel beeldmateriaal te gaan verzamelen in de psychiatrie. “Het huidige project was heel technisch maar nu gaan we deze technieken ook daadwerkelijk inzetten én Nederland in kaart brengen. We willen ons hierbij niet alleen richten op behandeling met electroconvulsie, maar ook op behandelingen met antidepressiva, psychotherapie en transcraniële magnetische stimulatie.” Weer een mooie stap in het mogelijk maken van zorg op maat in de psychiatrie en daarmee het verminderen van de lijdensdruk van patiënten en de zorgkosten.

* Elektroconvulsietherapie (ECT), of met een oudere aanduiding elektroshocktherapie of kortweg elektroshock, is een behandeling van patiënten waarbij door middel van het opwekken van een epileptisch insult, uitgelokt door een stroomstoot door het hoofd, getracht wordt bepaalde psychiatrische aandoeningen te behandelen.

Links naar publicaties:

Interesting for you

News

An update on the data and cloud developments in th...

11 October 2024

Summaries and slides of CoE-DSC Community Meeting ...

4 October 2024

Minister van EZ bevestigt rol TNO en CoE-DSC op he...

3 October 2024
See all the news

Pages

Health and care

11 September 2023

Commit2Data

4 October 2022

Centre of Excellence for Data Sharing and Cloud (C...

24 March 2022

Agenda

2e HTDX online informatie sessie (EN)

18 October 2024
See all the events
  • Privacy overview
  • Necessary cookies
  • Third-party cookies
  • Additional cookies
  • Privacy and cookies

This website uses functional, analytical and tracking cookies to improve the website

Strictly Necessary Cookies must be enabled at all times so that we can save your preferences for cookie settings.

This website uses Google Analytics and Hotjar to collect anonymous information, such as the number of visitors to the site and the most popular pages.

Keeping this cookie enabled allows us to improve our website.

This website uses the following additional cookies/services:

Read more about our cookies