Nauw­keurigheid van AI binnen de radiologie

De inzet van AI in radiologische beeldvorming groeit snel, maar de invloed van stralingsdosis op beeldkwaliteit en AI-prestaties krijgt weinig aandacht. AI-modellen worden vaak ontwikkeld op beelden van hoge kwaliteit, terwijl in de praktijk ook beelden met lagere dosis voorkomen. Dit kan de betrouwbaarheid van AI-voorspellingen verminderen. Dit onderzoek analyseert systematisch hoe variaties in dosis en beeldkwaliteit AI beïnvloeden, met als doel bij te dragen aan een veilige en effectieve toepassing van AI in realistische klinische omstandigheden.

Het onderzoek beoogt inzicht te geven in de robuustheid van AI-modellen bij variaties in dosisgerelateerde beeldkwaliteit. Door deze relatie te analyseren, willen we handvatten bieden voor verantwoord gebruik van AI in de kliniek, met als doel om een optimale balans te creëren tussen diagnostische betrouwbaarheid en minimale stralingsbelasting.

Het onderzoek levert inzichten op over de invloed van dosisgebonden beeldkwaliteit op het functioneren van AI binnen de radiologie. We verwachten dat er duidelijke verbanden zichtbaar worden tussen beeldkwaliteit en de nauwkeurigheid van AI-voorspellingen, met name bij spiersegmentatie. Deze resultaten kunnen bijdragen aan het formuleren van richtlijnen voor het gebruik van AI in combinatie met beeldvormingsprotocollen, waarbij zowel diagnostische betrouwbaarheid als patiëntveiligheid worden gewaarborgd. Daarnaast kunnen de bevindingen input leveren voor het trainen van robuustere AI-modellen die beter omgaan met variaties in beeldkwaliteit.

Het onderzoek heeft potentieel grote impact op de manier waarop AI wordt ingezet binnen de radiologie. Door inzicht te bieden in de relatie tussen beeldkwaliteit en AI-prestaties, kunnen medische instellingen beter afgewogen keuzes maken in beeldvormingsprotocollen. Dit kan leiden tot een verantwoorde toepassing van AI, waarbij de diagnostische betrouwbaarheid behouden blijft, zelfs bij lagere dosisinstellingen. Daarmee draagt het onderzoek bij aan patiëntveiligheid door mogelijke stralingsreductie, en aan kostenbesparing door efficiënter gebruik van technologie. Bovendien stimuleert het project bewustwording over de randvoorwaarden voor betrouwbare AI-integratie in de kliniek, wat ook relevant is voor beleidsmakers en ontwikkelaars van medische AI-systemen.

De valorisatie van dit project richt zich op het actief delen van de onderzoeksresultaten binnen zowel de wetenschappelijke gemeenschap als de klinische praktijk. De bevindingen worden gepubliceerd in peer-reviewed tijdschriften op het gebied van medische beeldvorming en artificiële intelligentie. Daarnaast worden de resultaten gepresenteerd op internationale congressen, waaronder het jaarlijkse congres van de European Society of Medical Imaging Informatics (EuSoMII), waarbij we ook een actieve rol hebben binnen de scientific committee. Door deze betrokkenheid wordt niet alleen kennis gedeeld, maar ook actief bijgedragen aan de richting en kwaliteit van toekomstig onderzoek binnen het vakgebied.