Een uitgebreide dataset van thoraxfoto’s aan het bed met gestructureerde, item-geordende en gegroepeerde radiologische rapporten

Waarom verstandiger thoraxfoto’s ertoe doen

Wanneer iemand kritiek ziek is op een intensivecareafdeling, kan een eenvoudige thoraxfoto aan het bed laten zien of de longen vol lopen met vocht, of het hart vergroot is, of dat luchtwegen zijn ingezakt. Artsen herhalen deze luisterend-aan-het-bed-opnames vaak dag na dag om het beloop te volgen. Het lezen van deze beelden is echter lastig, vooral wanneer patiënten niet goed kunnen zitten of staan, en zelfs deskundigen beschrijven wat ze zien niet altijd op dezelfde manier. Dit artikel presenteert TAIX-Ray, een grote, zorgvuldig gelabelde verzameling thoraxfoto’s aan het bed, ontworpen om computers te leren long- en hartproblemen betrouwbaarder te herkennen en te graderen — wat diagnoses mogelijk kan versnellen en overbelast medisch personeel kan ondersteunen.

Waarom huidige datasets tekortschieten

In het afgelopen decennium hebben grote openbare verzamelingen van thoraxfoto’s snelle vooruitgang in kunstmatige intelligentie voor medische beeldvorming mogelijk gemaakt. De meeste van deze databases zijn echter samengesteld door radiologierapporten via taalverwerkende software te voeren om te raden welke ziekten aanwezig waren. Die snelkoppeling introduceert twee belangrijke problemen. Ten eerste zitten echte klinische rapporten vol vage of voorzichtige bewoordingen — zinnen die afhankelijk van de context verschillend geïnterpreteerd kunnen worden. Ten tweede verschillen radiologen sterk in hoe zij onzekerheid uitdrukken; meer dan de helft van de thoraxbeeldverslagen bevat ten minste één dergelijke voorbehoudende uitspraak. Het omzetten van deze rommelige taal naar eenvoudige labels als “ziekte aanwezig” of “ziekte afwezig” voegt ruis aan de gegevens toe en kan leeralgoritmen misleiden, waardoor zelfs de meest geavanceerde modellen beperkt presteren.

Een nieuw soort röntgenverzameling

TAIX-Ray pakt deze zwaktes aan door te beginnen met gestructureerde rapporten in plaats van vrije tekst. De auteurs verzamelden 215.381 thoraxfoto’s aan het bed van 47.724 intensivecarepatiënten over 14 jaar in één groot ziekenhuis. Tijdens de routinezorg vulden 134 getrainde radiologen voor elke röntgenopname een gestandaardiseerd elektronisch formulier in. In plaats van vrij te formuleren, selecteerden zij item-voor-item beoordelingen voor sleutelbevindingen: hartgrootte, tekenen van vochtbelasting in de longen, vocht rond de longen aan elke zijde, wazige vlekken in de longen aan elke zijde, en longcollapse aan elke zijde. Elke bevinding werd ingedeeld op een geordende schaal van “geen” via “twijfelachtig”, “mild”, “matig” en “ernstig” (hartgrootte gebruikte een vergelijkbare vierstapschaal). Deze aanpak legt niet alleen vast of iets aanwezig is, maar ook hoe ernstig het is en waar het zich bevindt.

Hoe de beelden en labels zijn voorbereid

Om de privacy van patiënten te beschermen, werden alle identificerende gegevens uit de beelden en rapporten verwijderd en kreeg elke patiënt, arts en röntgenopname een willekeurige code. De oorspronkelijke rapportformulieren, die de ziekenhuissoftware had omgezet naar platte tekst, werden door een aangepaste computerscript gehaald dat alleen de vooraf gedefinieerde beoordelingswoorden extraherde en eventuele extra opmerkingen negeerde. De beelden zelf werden geconverteerd van het oorspronkelijke medische formaat naar standaard grijstintsafbeeldingen, waarbij het volledige bereik van helderheidswaarden behouden bleef die subtiele diagnostische aanwijzingen bevatten. Elke afbeelding werd ook herschaald naar een consistente maximale afmeting voor gemakkelijker gebruik, terwijl de oorspronkelijke hoge-resolutieversies beschikbaar bleven. Studies die essentiële gegevens misten of onduidelijkheden bevatten — zoals meerdere beelden waarbij niet duidelijk was welke beoordeeld was — werden zorgvuldig uitgesloten om de datakwaliteit te waarborgen.

Opbouwen en testen van een voorbeeld-AI-model

Om te laten zien hoe TAIX-Ray gebruikt kan worden, trainde het team een modern beeldanalysekader gebaseerd op een “vision transformer”, een deep-learningarchitectuur oorspronkelijk ontwikkeld voor algemene beeldtaken. Beginnend met een model dat zichzelf al nuttige visuele kenmerken had aangeleerd uit grote verzamelingen niet-medische afbeeldingen, voegden ze lagen toe die leerden de aanwezigheid en ernst van elke thoraxbevinding te voorspellen. Ze voerden twee hoofdexperimenten uit. In het eerste besloot het model simpelweg of een röntgenfoto normaal was of een afwijking toonde. In het tweede voorspelde het de volledige gegradueerde schaal voor elke bevinding. Met patiënt-niveau splitsingen in trainings-, validatie- en testsets om overlap te vermijden, behaalde het model hoge nauwkeurigheid en sterke overeenstemming met de oorspronkelijke radioloogbeoordelingen over alle taken, met bijzonder goede prestaties voor vocht rond de longen en veranderingen in hartgrootte.

Wat dit betekent voor patiënten en artsen

Door een zeer groot aantal realistische thoraxfoto’s aan het bed te koppelen aan consistente, fijn ingedeelde expertlabels, biedt TAIX-Ray een basis voor het bouwen van AI-hulpmiddelen die meer doen dan aangeven dat “er iets mis is”. Modellen getraind op deze bron kunnen leren de ernst van veelvoorkomende long- en hartproblemen te schatten en hoe deze in de tijd veranderen — informatie die van groot belang is voor behandelbeslissingen op de IC. Omdat de data, code en voorbeeldmodellen openbaar beschikbaar zijn, kunnen andere onderzoekers ze hergebruiken, methoden eerlijk vergelijken en ze uitbreiden naar nieuwe vraagstukken. Zulke systemen zullen radiologen niet vervangen, maar ze kunnen dienen als een tweede paar ogen — kleine veranderingen onderstrepend, kritieke gevallen prioriterend en meer consistente beoordelingen brengend voor enkele van de ziekste patiënten in het ziekenhuis.

Bronvermelding: Truhn, D., Geiger, D., Siepmann, R. et al. A comprehensive bedside chest radiography dataset with structured, itemized and graded radiologic reports. Sci Data 13, 632 (2026). https://doi.org/10.1038/s41597-026-07271-7

Trefwoorden: thoraxfoto AI, intensive care beeldvorming, radiologie datasets, long- en hartbevindingen, medische beeldbeoordeling