1. Is AI de volgende “.com”?
   Tegenwoordig lijkt bijna elk product, van tandenborstels tot tractoren, te beweren dat het AI bevat. Het is gemakkelijk om sceptisch te zijn en je af te vragen of we getuige zijn van de volgende grote technologiezeepbel. De geschiedenis biedt een nuttige vergelijking: de dotcom-boom aan het einde van de jaren negentig en het begin van de jaren 2000.
   
   In die tijd was internet het nieuwe toverwoord. Bedrijven haastten zich om “.com” aan hun naam toe te voegen, investeerders stroomden toe met geld en de verwachtingen schoten omhoog. Ja, de zeepbel barstte uiteindelijk, maar hij legde wel de basis voor het moderne leven: Amazon, Google en Apple, om er maar een paar te noemen. De hype is voorbij, maar de technologie is gebleven en heeft onze wereld veranderd.
   
   AI zou een vergelijkbaar pad kunnen volgen. Er is zeker sprake van een hype, en niet alle ‘AI-aangedreven’ producten maken hun beloften waar. Maar achter alle ruis gaan echte vorderingen schuil die sectoren als geneeskunde en mobiliteit opnieuw definiëren.
   
   Het VasculAI-project is hier een voorbeeld van. Hier was de beslissing om AI te gebruiken weloverwogen en gebaseerd op wetenschap, niet op marketing. Om te begrijpen waarom, is het nuttig om eerst te begrijpen wat AI werkelijk is, en wat het niet is.

2. AI is veel meer dan ChatGPT
   Wanneer mensen tegenwoordig ‘AI’ horen, denken velen meteen aan ChatGPT of aan die door AI gegenereerde video’s die sociale media overspoelen. Deze video’s behoren tot een snelgroeiend domein dat generatieve AI (GenAI) wordt genoemd: modellen die zijn getraind om nieuwe content te produceren, zoals tekst, video’s, code of zelfs kunst. Maar generatieve AI is slechts een klein onderdeel van het veel grotere AI-landschap.
   
   In werkelijkheid is AI een overkoepelende term voor een reeks computationele technieken die bedoeld zijn om aspecten van menselijke intelligentie na te bootsen of te versterken: leren op basis van gegevens, redeneren, voorspellingen doen of patronen herkennen.
   Veel van deze methoden bestaan al tientallen jaren. Beslissingsbomen, support vector machines en lineaire regressies werden allemaal als AI beschouwd lang voordat deep learning op de voorgrond trad.
   
   Om het eenvoudig te houden, kunnen we twee grote categorieën onderscheiden:

• Machine Learning (ML)
  Mensen beslissen eerst welke kenmerken van de gegevens relevant kunnen zijn. Bijvoorbeeld: de gemiddelde hartslag, de variabiliteit van het signaal of het bloeddrukbereik. Het model leert patronen aan de hand van deze ontworpen inputs en een bekende output, zoals een label dat verwijst naar een specifieke hartaandoening. Deze modellen zijn relatief eenvoudig, snel en gemakkelijk te interpreteren. Hoewel dit negatief lijkt, zijn deze eigenschappen juist zeer positief, en ML mag niet worden onderschat, ook al wordt het overschaduwd door zijn aantrekkelijke broertje: Deep Learning.
  
• Deep Learning (DL)
  In plaats van vooraf te bepalen wat er moet worden gezocht, voeren we ruwe gegevens (zoals volledige ECG-signalen) in het model in, waarna het automatisch leert welke patronen belangrijk zijn om het resultaat te produceren. Wij, de onderzoekers, definiëren een ‘deep learning’-architectuur, waarvan de combinaties oneindig zijn, en het model werkt de waarden van de architectuur bij om deze te optimaliseren voor de gewenste taak. Deze end-to-end-benadering heeft geleid tot doorbraken op bijna alle gebieden, zoals spraakherkenning, beeldclassificatie en medische diagnostiek.
  
  Dit verschil tussen modellen die gebaseerd zijn op door mensen gedefinieerde kenmerken en modellen die rechtstreeks van gegevens leren, vormt de kern van de recente opkomst van AI, de kracht van AI en de complexiteit ervan.

3. Deep learning: krachtig, veelbelovend en een beetje mysterieus
   Deep learning-modellen worden vaak omschreven als universele benaderingen van functies.
   
   Dit betekent dat als er een verband bestaat tussen de invoer en de uitvoer, zelfs een verband dat we niet volledig begrijpen, een model dat groot genoeg is en goed is getraind dit in theorie kan leren. Dat is zowel ongelooflijk als een beetje verontrustend.
   
   Dat is ongelooflijk, want zo kan AI patronen ontdekken die voor mensen of traditionele analysemethoden onzichtbaar zijn. In recent onderzoek hebben onze partners van de UGent (Universiteit Gent) bijvoorbeeld ECGencode ontwikkeld, een deep learning-model dat subtiele onregelmatigheden in het hartritme kan detecteren. Op basis van een standaard-ECG dat voor een cardioloog volkomen gezond lijkt, kan het model toch een risicoscore voor atriumfibrilleren (AF) berekenen, een aandoening waarbij het hart onregelmatig klopt en het risico op een beroerte toeneemt. Dit toont aan dat er verborgen markers in ECG’s zitten die het menselijk oog niet kan zien, maar die AI wel kan detecteren. Dit maakt grootschalige screening van risicopatiënten mogelijk, iets wat voorheen niet haalbaar was.
   
   Tegelijkertijd is dat ook wat deep learning zo beangstigend maakt. We weten vaak niet hoe het model tot zijn conclusie is gekomen. Het proces binnen een neuraal netwerk, miljoenen onderling verbonden gewichten en activeringen die het zelf leert, is niet gemakkelijk te interpreteren en soms zelfs helemaal niet te interpreteren. In de gezondheidszorg, waar beslissingen levens beïnvloeden, roept deze ‘black box’-aard een legitieme vraag op: hoe kunnen we vertrouwen hebben in de output van een model als we het niet kunnen uitleggen?
   
   Hier worden verklaarbaarheid, interpreteerbaarheid en strenge validatie essentieel. Bij VasculAI pakken we deze uitdagingen rechtstreeks aan. Ons doel is niet om een systeem te creëren dat cardiologen vervangt, maar om een hulpmiddel te bieden dat hen helpt om eerder betere beslissingen te nemen en patiënten op te sporen die anders onopgemerkt zouden blijven.

4. De computationele kosten van intelligentie
   Een andere grote uitdaging van moderne AI zijn de rekenkosten. Grote deep learning-modellen kunnen miljoenen of zelfs miljarden parameters en drijvende-kommabewerkingen vereisen, waardoor ze energieverslindend en traag zijn. Ze zijn duur om te trainen en vereisen nog steeds aanzienlijke rekenkracht wanneer ze in de praktijk worden gebruikt.
   
   Dit maakt veel complexe modellen ongeschikt voor een draagbaar apparaat dat op een kleine batterij werkt, zoals het apparaat dat we met VasculAI willen bouwen. We kunnen niet zomaar een groot model nemen dat in de cloud is getraind en hopen dat het efficiënt werkt op een polsbandje. In plaats daarvan ontwerpen we lichtgewicht architecturen die een hoge nauwkeurigheid bieden met een minimum aan rekenkracht.
   
   Deze filosofie vormde de inspiratie voor het CSD-AFNet-model, ontwikkeld door onze partners van de Universiteit Gent. Het model levert topprestaties op het gebied van detectie en voorspelling van hartritmestoornissen op basis van ECG, terwijl de rekenkosten tot wel honderd keer lager zijn dan bij conventionele deep learning-modellen. Met andere woorden, het werkt snel genoeg voor echt gebruik zonder noemenswaardig prestatieverlies: een cruciale stap in de richting van AI die echt werkt op draagbare apparaten.
   
5. Wat AI betekent voor VasculAI
   Na deze contextuele uitleg gaan we ons concentreren op wat AI daadwerkelijk doet in het VasculAI-project.
   
   De missie van VasculAI is het ontwikkelen van een slimme, multimodale armband die gegevens van verschillende sensoren en een warmtecamera verzamelt om de eerste tekenen van hart- en vaatziekten op te sporen. Om dit te bereiken, integreren we deze diverse gegevensstromen en passen we verschillende soorten AI toe om subtiele en complexe verbanden te ontdekken die anders verborgen zouden blijven. Onze aanpak is als volgt:

• Verklaarbare traditionele methoden
  Wanneer de relaties tussen variabelen goed worden begrepen, zoals de toename van de hartslag bij inspanning, gebruiken we ‘eenvoudige en transparante’ algoritmen. Deze zijn computationeel efficiënt en sluiten nauw aan bij medische redeneringen.
  
• Klassiek machine learning met ontworpen kenmerken
  In gevallen waarin verklaarbaarheid essentieel is, bijvoorbeeld om patronen te identificeren die een cardioloog kan interpreteren, gebruiken we traditionele machine learning-modellen. Hier stuurt menselijke expertise de selectie van kenmerken, waardoor de resultaten gemakkelijker kunnen worden vertaald naar bruikbare informatie.
  
• Deep learning voor complexe multimodale interacties
  Wanneer de relaties tussen gegevens te complex zijn of nog niet worden begrepen, bijvoorbeeld subtiele correlaties tussen meerdere sensoren, maken we gebruik van deep learning.

Onze aandacht richt zich dan op het waarborgen dat deze modellen computationeel licht en verklaarbaar blijven, door gebruik te maken van technieken die visualiseren waarom een model zijn voorspelling heeft gedaan.

Het uitgangspunt is simpel: gebruik de eenvoudigste methode die goed werkt en waarop je kunt vertrouwen. AI in VasculAI is geen marketingpraatje. We zijn niet van plan om het product te over-engineeren of te veel te verkopen. Het is een zorgvuldig geselecteerde set tools die de menselijke intuïtie uitbreidt, zonder deze te vervangen.

6. Laatste overwegingen
   AI wordt vaak voorgesteld als een revolutie die alles van de ene op de andere dag zal veranderen. In werkelijkheid ligt de echte impact ervan in de manier waarop we het gebruiken: weloverwogen, verantwoordelijk en in samenwerking met experts op dit gebied. In projecten zoals VasculAI vormt AI een brug tussen de ruwe gegevens van sensoren en zinvolle medische inzichten. Het helpt patronen te detecteren die te subtiel zijn om door mensen te worden opgemerkt, waardoor er een kans ontstaat om in te grijpen voordat er cardiovasculaire problemen ontstaan.
   
   Natuurlijk blijven er uitdagingen bestaan, gaande van het waarborgen van de interpreteerbaarheid tot de noodzaak om de modellen voldoende efficiënt te maken voor draagbare apparaten, maar elke stap brengt ons dichter bij een praktische en betrouwbare AI voor de gezondheidszorg.
   
   AI zal artsen niet vervangen, maar kan hen helpen om te zien wat anders onzichtbaar is. En dat is precies het doel van VasculAI.