Nieuw AI-model spoort alvleesklierkanker nauwkeuriger op dan de gemiddelde radioloog. Wat betekent dit voor Nederlandse ziekenhuizen, radiologen en patiënten?
Waarom AI bij alvleesklierkanker nú relevant is
Tien procent. Zoveel patiënten met alvleesklierkanker leeft na vijf jaar nog. Niet omdat de behandelingen per se ondermaats zijn, maar omdat de ziekte meestal pas ontdekt wordt als het eigenlijk al te laat is.
De realiteit: radiologen doen wat menselijk mogelijk is, maar vroege tumoren in de alvleesklier zijn op CT-scans ontzettend lastig te zien. Terwijl de druk op beeldvormende diagnostiek in Nederlandse ziekenhuizen alleen maar toeneemt.
In deze context past het nieuws uit het Radboudumc perfect in onze reeks “AI voor Nederlandse Zorg: Innovatie in de Gezondheidszorg”. Een internationaal team ontwikkelde en testte een nieuw AI-model dat alvleesklierkanker op CT-scans nauwkeuriger opspoort dan de gemiddelde radioloog. Dit is geen sciencefiction, maar concreet onderzoek dat de dagelijkse praktijk in de radiologie de komende jaren kan veranderen.
In deze blog neem ik je mee langs:
- wat dit AI-model precies toevoegt
- waarom die benchmark-dataset zo belangrijk is
- hoe deze ontwikkeling past in de Nederlandse zorg en jouw organisatie
- welke praktische stappen je nú al kunt zetten richting verantwoorde AI in de diagnostiek
Wat doet het nieuwe AI-model beter dan de radioloog?
De kern: het beste AI-model uit de studie van het Radboudumc herkent alvleesklierkanker op CT-scans met minder fout-positieve uitslagen en een hogere nauwkeurigheid dan de gemiddelde radioloog.
Concrete resultaten uit het onderzoek
In de internationale competitie rond dit onderwerp gebeurde het volgende:
- Er werd een niet-openbare dataset gemaakt met CT-scans van bijna 400 westerse patiënten.
- Deze scans werden beoordeeld door een grote groep internationale experts.
- Meer dan 250 AI-modellen van ontwikkelaars wereldwijd werden getest op deze dataset.
Uit de resultaten:
- Het beste AI-systeem gaf 38% minder fout-positieve resultaten dan de gemiddelde radioloog.
- In 92% van de scans maakte het AI-model de juiste beoordeling.
- De radiologen zaten gemiddeld op 88%.
Dat betekent niet dat AI de radioloog overbodig maakt. Het betekent wél dat een goed getraind model:
- verdachte afwijkingen kan markeren die anders misschien gemist worden
- onnodige verdenkingen kan verminderen
- de radioloog kan helpen sneller en consistenter te werken
In een vakgebied waar één gemiste laesie het verschil kan maken tussen operabele en niet-operabele kanker, is vier procentpunt extra nauwkeurigheid enorm.
Waarom een goede dataset belangrijker is dan een "slim" model
De kwaliteit van een AI-oplossing in de zorg staat of valt met de kwaliteit van de data erachter. Dat wordt in deze studie goed zichtbaar.
De kracht van een betrouwbare benchmark
Onderzoekers Henkjan Huisman (AI-onderzoeker) en John Hermans (radioloog) begonnen niet bij het model, maar bij de maatstaf:
- bijna 400 CT-scans van westerse patiënten
- beoordeeld door een internationale groep experts
- zorgvuldig gelabeld en gecontroleerd
Daarmee bouwden ze een betrouwbare benchmark. Pas daarna nodigden ze partijen wereldwijd uit om AI-modellen te ontwikkelen die op deze dataset getoetst werden.
“Juist omdat we een betrouwbare maatstaf hebben ontwikkeld, weten we dat de AI-systemen die goed scoren ook daadwerkelijk goed zijn.” – Henkjan Huisman
Dit is precies waar veel AI-projecten in de zorg misgaan:
- te weinig gestandaardiseerde data
- onduidelijke of inconsistente labels
- modellen die goed lijken te presteren, maar in de praktijk door de mand vallen
De aanpak van Radboudumc laat zien hoe het wél kan: eerst solide data, dan pas modelleren. Voor Nederlandse ziekenhuizen en UMC’s is dit een blauwdruk voor toekomstige AI-projecten in diagnostiek.
Lessen voor andere AI-toepassingen in de zorg
Wat hier gebeurt bij alvleesklierkanker, kun je breder doortrekken:
- Radiologie: longkanker, leverlaesies, hersentumoren, vaatpathologie
- Pathologie: automatische beoordeling van biopten
- Cardiologie: interpretatie van echo’s, CT-coronairangiografie
In alle gevallen geldt: een goede referentiedataset is waarschijnlijk waardevoller dan nóg een nieuw model.
Vroegdiagnostiek: kans én risico
De échte winst bij alvleesklierkanker zit in vroegere opsporing. Zodra de ziekte in een laat stadium wordt ontdekt, is een genezende behandeling meestal niet meer haalbaar.
Wat kan AI hier toevoegen?
De eerste resultaten van het meest veelbelovende AI-model laten zien dat het:
- subtiele afwijkingen in de alvleesklier eerder kan herkennen
- radiologen kan waarschuwen bij scans waarbij zij misschien twijfelen
- mogelijk een rol kan spelen in de triage van hoogrisicogroepen
Er is eerder al onderzoek gedaan (o.a. vanuit Harvard en Kopenhagen) waaruit bleek dat AI op basis van EPD-gegevens tot drie jaar vóór de diagnose een verhoogd risico op alvleesklierkanker kan signaleren. Combineer dat soort modellen met beeldvormende AI, en je krijgt:
- betere selectie van patiënten voor aanvullende beeldvorming
- gerichtere follow-up bij vage klachten
- mogelijk meer patiënten die nog wél geopereerd kunnen worden
Waarom we tegelijk moeten oppassen
Radioloog John Hermans is daar ook helder over: vroegdiagnostiek met AI kent serieuze risico’s.
De belangrijkste valkuilen:
- Vals-positieven: elke onterechte verdenking leidt tot extra CT-scans, MRI’s, endoscopieën en veel onrust bij patiënten.
- Overbelasting van de zorg: als een AI-tool té gevoelig is ingesteld, ontstaan onwerkbare aantallen vervolgonderzoeken.
Daarom wordt het AI-model nu verder doorontwikkeld op bredere buikscans en met extra financiering (o.a. van het Hanarth Fonds). De focus: betere balans tussen gevoeligheid en specificiteit.
Voor Nederlandse zorgorganisaties is dit een belangrijke les: ga niet alleen voor “vroeger opsporen”, maar ook voor verantwoord opsporen.
Wat betekent dit voor Nederlandse ziekenhuizen en radiologie-afdelingen?
Dit onderzoek staat nog niet gelijk aan een CE-gemarkeerd product dat je morgen kunt installeren. Maar het geeft wél richting aan hoe AI in de Nederlandse zorg de komende jaren vorm krijgt.
Concreet effect op de werkvloer
Voor radiologen in Nederland kan dit soort AI-ondersteuning betekenen:
- Minder werkdruk: AI pre-screent scans en markeert verdachte regio’s.
- Meer consistentie: minder variatie tussen beoordelaars, zeker bij subtiele afwijkingen.
- Ondersteuning bij nachtdiensten en diensten met onderbezetting.
Voor medisch specialisten en bestuurders:
- betere onderbouwing bij MDO-besluiten
- potentieel kortere wachttijden voor beeldvorming
- een sterkere positie in regionale oncologienetwerken
En voor patiënten:
- meer kans dat een tumor in een behandelbaar stadium wordt ontdekt
- minder onnodige vervolgonderzoeken bij fout-positieve bevindingen (mits het model goed is afgesteld)
Hoe past dit in de bredere AI-strategie van je organisatie?
Binnen de serie “AI voor Nederlandse Zorg: Innovatie in de Gezondheidszorg” zien we steeds hetzelfde patroon:
- AI wordt gebruikt voor diagnostische ondersteuning (zoals hier bij CT-scans)
- AI helpt bij operations & planning (bijvoorbeeld no-shows verminderen)
- AI draagt bij aan gepersonaliseerde zorg (risicovoorspelling, behandelkeuzes)
Succesvolle organisaties hebben één ding gemeen: ze zien AI niet als los project, maar als onderdeel van hun datastrategie en kwaliteitsbeleid. Dit soort oncologische AI-toepassingen hoort daar expliciet bij.
Praktische stappen: hoe bereid je je nu al voor op AI-diagnostiek?
Je hoeft niet te wachten tot dit specifieke alvleesklierkanker-model klinisch beschikbaar is om stappen te zetten. Sterker nog: organisaties die nu beginnen, zijn straks klaar om deze tools veilig in te zetten.
1. Zorg voor goede en herbruikbare beelddata
AI in de radiologie valt of staat met data. Concreet:
- zorg voor gestandaardiseerde CT-protocollen (bijvoorbeeld voor buik-CT)
- borg consistente verslaglegging (SR-templates, vaste terminologie)
- werk aan data-infrastructuur waarin je beelddata veilig, gestructureerd en herbruikbaar kunt opslaan
Dit sluit direct aan bij landelijke initiatieven rond betere en (her)bruikbare zorgdata.
2. Richt een multidisciplinair AI-team in
Een goed AI-project in de diagnostiek is nooit alleen “iets van ICT” of “iets van de radiologie”. Je hebt nodig:
- radiologen en andere inhoudsdeskundigen
- data scientists / AI-specialisten
- IT-architecten en security-experts
- juristen / privacy officers
- iemand met klinische implementatie-ervaring
Dat team kan nu al ervaring opdoen met andere, minder risicovolle AI-toepassingen (bijvoorbeeld kwaliteitscontrole, workflow-optimalisatie) om later sneller te kunnen schakelen bij oncologische AI.
3. Werk aan governance en ethiek rond AI
AI bij kankerdiagnostiek raakt direct aan patiëntveiligheid en vertrouwen. Richt daarom vroegtijdig in:
- heldere criteria voor validatie en lokale toetsing
- afspraken over aansprakelijkheid en eindverantwoordelijkheid (AI blijft een advies, de arts beslist)
- transparantie richting patiënten over het gebruik van AI in hun zorgpad
Dit voorkomt discussies op het moment dat een concreet product beschikbaar komt, en versnelt de implementatie.
4. Sluit aan bij (inter)nationale samenwerkingen
De studie rond alvleesklierkanker laat zien hoe krachtig internationale samenwerking is: 400 patiënten, honderden modellen, een publicatie in een toonaangevend tijdschrift. Voor Nederlandse zorgorganisaties is meedoen aan dit soort netwerken een kans om:
- invloed te hebben op de ontwikkeling van AI-modellen
- toegang te krijgen tot betere benchmarks
- eigen data waardevol in te brengen – mét goede afspraken over eigenaarschap en gebruik
Waar gaat dit heen – en wat is jouw volgende stap?
AI gaat de zorg voor alvleesklierkanker niet “magisch oplossen”. Maar de combinatie van:
- betere beeldvorming
- sterke AI-modellen met bewezen prestaties
- goede datastructuren en governance
maakt het wél realistisch dat we de komende jaren meer patiënten eerder opsporen, met een reële kans op genezende behandeling.
Voor iedereen die bezig is met digitale strategie, oncologie of radiologie in de Nederlandse zorg is dit hét moment om AI niet langer te zien als experiment aan de zijlijn, maar als integraal onderdeel van het zorgpad.
Wil je als organisatie serieus werk maken van AI in de diagnostiek?
- begin bij je data
- organiseer je mensen
- leg je governance vast
Dan ben je klaar op het moment dat modellen zoals dit nieuwe AI-systeem voor alvleesklierkanker klinisch beschikbaar komen – en kun je ze veilig en effectief inzetten voor jouw patiënten.