Onderzoekers van het German Cancer Research Center (DKFZ) hebben samen met het Heidelberg University Hospital en het Mannheim University Medical Center een vernieuwende methode ontwikkeld waarbij kunstmatige intelligentie (AI) leert van dierlijke medische beelden om menselijke chirurgie veiliger en nauwkeuriger te maken. Deze aanpak, xeno-learning genoemd, maakt het mogelijk om kennis over ziekteprocessen tussen diersoorten en mensen over te dragen.
Een grote uitdaging voor chirurgen is het betrouwbaar onderscheiden van gezond en ziek weefsel tijdens operaties. Met het blote oog is dit vaak lastig. Hyperspectrale camera’s kunnen veel meer informatie vastleggen dan het menselijk zicht, zoals doorbloeding en zuurstofgehalte van weefsel. Om deze complexe data bruikbaar te maken in de operatiekamer is AI noodzakelijk. Het probleem is echter dat zulke algoritmen doorgaans grote hoeveelheden gelabelde patiëntgegevens nodig hebben, die om ethische en praktische redenen vaak beperkt beschikbaar zijn.
De nieuwe xeno-learning-methode biedt hiervoor een oplossing. In dierproeven worden grote, gestandaardiseerde beelddatasets verzameld waarin specifieke weefselveranderingen bewust worden opgewekt. De AI leert daarbij niet de absolute kleur- of structuurpatronen, maar de onderliggende veranderingen die horen bij ziekteprocessen. Deze kennis kan vervolgens worden toegepast op menselijke data.
In het onderzoek analyseerden de wetenschappers meer dan 13.000 hyperspectrale beelden van mensen, varkens en ratten. Klassieke AI-modellen die uitsluitend met dierdata waren getraind, bleken niet goed te werken bij mensen. Met xeno-learning lukte het wel om pathologische veranderingen correct te herkennen in menselijk weefsel.
Volgens de onderzoekers opent dit nieuwe perspectieven voor de chirurgische praktijk. De methode maakt het mogelijk om geavanceerde beeldvorming en AI-ondersteuning te gebruiken, zelfs wanneer menselijke trainingsdata schaars zijn. Dit kan leiden tot preciezere operaties, minder complicaties en betere bescherming van gezond weefsel.
De resultaten zijn gepubliceerd in het wetenschappelijke tijdschrift Nature Biomedical Engineering. Om snelle toepassing in de kliniek te stimuleren, hebben de onderzoekers hun software en voorgetrainde modellen vrij beschikbaar gesteld voor andere wetenschappers.