Artificiële intelligentie in nucleaire geneeskunde

Maand : 2026-04

Diagnostische ondersteuning, beeldverbetering en verslaggeving. Een concreet en genuanceerd overzicht van de huidige AI-toepassingen in onze specialiteit, op basis van publicaties 2024-2026.

De nucleaire geneeskunde is al een sterk technologisch vakgebied. Het steunt op beeldvorming, kwantificatie, reconstructiesoftware, klinische gegevens en steeds meer op automatisering. In deze context komt artificiële intelligentie niet als een totale breuk, maar eerder als een nieuwe laag van hulp, die bepaalde taken kan versnellen, de beeldkwaliteit kan verbeteren en de interpretatie kan ondersteunen.

Sinds 2024 toont de vakliteratuur een duidelijke versnelling van het onderzoek naar AI toegepast op PET, SPECT, artefactcorrectie, segmentatie, kwantificatie en geassisteerd verslagschrijven. Verschillende grote overzichtsartikelen — in Radiological Physics and Technology1, het Journal of Nuclear Medicine2 en Annals of Nuclear Medicine3 — bieden nu een coherent overzicht van de werkelijke bijdragen en blijvende beperkingen.

AI kan nucleaire geneeskunde sneller, meer reproduceerbaar en soms nauwkeuriger maken. Maar het is noch magisch noch autonoom.

01 · Diagnostische ondersteuning

In de nucleaire geneeskunde is AI bijzonder geschikt voor taken waarbij subtiele patronen moeten worden herkend, intensiteiten vergeleken, volumes gemeten of grote hoeveelheden informatie geïntegreerd. Het wordt dan ook intensief bestudeerd in de oncologie, neurologie en nucleaire cardiologie.

In de praktijk kan AI helpen bij het beter detecteren van moeilijk zichtbare letsels, het sneller schatten van de tumorbelasting, het automatisch segmenteren van structuren of het standaardiseren van kwantitatieve metingen. Bij neurodegeneratieve ziekten helpt het de opnamepatronen in amyloïd- of tau-PET te analyseren.

Een opvallend voorbeeld gepubliceerd begin 2026 door Zhang et al. in het European Journal of Nuclear Medicine and Molecular Imaging illustreert de waarde van een 3D multimodaal PET/CT-model getraind op 474 patiënten: voor de T-stadium-voorspelling van colorectale kanker bereikt het model dat PET+CT+klinische gegevens combineert een AUC van 0,869 bij interne validatie, met betere prestaties dan eenmodusmodellen4.

Onthouden. Het algoritme stelt geen diagnose in plaats van de arts. Het fungeert als een digitale tweede lezer: het trekt de aandacht, pre-segmenteert, kwantificeert, stelt een classificatie of score voor. De uiteindelijke diagnose blijft klinisch en menselijk.

02 · Schonere en beter bruikbare beelden

Een van de gebieden waar AI vandaag het meest indrukwekkend is, is beeldverbetering. Deep learning-modellen kunnen ruis in PET- of SPECT-beelden verminderen, acquisities met laag telgetal herstellen en soms onderzoeken die sneller of met een lagere dosis zijn uitgevoerd bruikbaar maken.

Voor de patiënt is het potentiële voordeel zeer concreet. Als een beeld van goede kwaliteit kan worden verkregen met minder ruis ondanks minder tellingen, opent dit de deur voor een lagere geïnjecteerde dosis of een kortere acquisitietijd.

Dit principe is nu gevalideerd in grootschalige multicenterstudies. Maes et al. publiceerden in 2025 in EJNMMI een geblindeerde externe evaluatie van NUCLARITY-software op 65 onderzoeken uitgevoerd in drie Europese ziekenhuizen met vier verschillende radiotracers; zes onafhankelijke nucleaire geneeskundigen beoordeelden de diagnostische kwaliteit van beelden met 50% verlaagd telgetal als gelijkwaardig aan standaardbeelden6.

Voorzichtigheid is echter geboden. Een visueel mooier beeld betekent niet altijd perfecte biologische getrouwheid. Een opvolgingsstudie bij 110 patiënten toonde aan dat de tumorresponsclassificaties bij 10% van de patiënten verschilden bij gebruik van SubtlePET-bewerkte FDG-scans ten opzichte van conventionele reconstructie3. Praktische conclusie: nooit ontruiste en niet-ontruiste beelden mengen in longitudinale follow-up.

03 · Corrigeren wat het oog niet altijd ziet

AI wordt niet alleen gebruikt om het uiteindelijke beeld op te schonen. Het grijpt ook eerder in de technische keten in: correctie van ademhaling en hartbeweging, attenuatiecorrectie (ook zonder bijbehorende CT via synthetische atlassen voor PET/MRI), automatische PET-CT co-registratie, synthese van beelden nuttig voor reconstructie en verstrooiingscorrectie.

04 · Automatische segmentatie: de stille revolutie

Segmentatie — het nauwkeurig afbakenen van de contouren van een orgaan of letsel in een 3D-beeld — is een cruciale maar buitengewoon tijdrovende taak. Het handmatig afbakenen van alle tumorletsels bij een lymfoom van het hele lichaam kan een ervaren nucleair geneeskundige meer dan een uur kosten. AI transformeert deze stap radicaal.

Generalistische modellen zoals TotalSegmentator (segmenteert 117 anatomische structuren op CT)11, MOOSE (toegewijd aan whole-body PET/CT) en vooral recente foundation models zoals SegAnyPET12 of VISTA3D13 zijn nu beschikbaar als open-source of semi-commercieel. Ze hebben een aanzienlijk betere generalisatiecapaciteit dan oudere orgaanspecifieke modellen.

05 · Ondersteuning bij het schrijven van verslagen

Grote taalmodellen (LLM's) worden steeds meer bestudeerd in de nucleaire geneeskunde om het schrijven te ondersteunen, verslagen te structureren, bevindingen samen te vatten, sleutelgegevens te extraheren (SUVmax, locatie, grootte) of vrije tekst om te zetten in meer gestandaardiseerde informatie.

Opgelet. Dit is het gebied waar het risico op geloofwaardige fouten het meest zorgwekkend is. Een taalmodel kan een zeer goed geschreven maar feitelijk onjuiste zin produceren. Deze tools moeten redactionele assistenten blijven onder strikte medische supervisie, met systematische woordelijke herlezing door de ondertekenende arts. Riedemann et al. (2024) beschrijven de benodigde veiligheidsmaatregelen voor hun inzet in de geneeskunde14.

06 · Beter koppelen van beeld aan klinische gegevens

AI wordt bijzonder interessant wanneer het meerdere bronnen samenvoegt: PET- of SPECT-beeld, bijbehorende CT, klinische gegevens, soms moleculaire biologie. Het kan helpen een beeld te koppelen aan een tumorcontext, een terugvalrisico, een verwachte respons op een behandeling. Dit is het principe van multimodale diepe radiomics.

07 · Huidige beperkingen en toekomstige uitdagingen

• Gebrek aan goed geannoteerde multicentrische data. De meeste modellen worden getraind op monocentrische cohorten en verliezen prestaties wanneer ze worden toegepast op beelden verkregen met andere machines en protocollen. Domain shift blijft de achilleshiel van deep learning in medische beeldvorming. • Variaties tussen machines en protocollen. Een model getraind op een Siemens Biograph Vision-scanner presteert vaak minder goed op een oudere GE Discovery PET. • Reglementaire beperkingen en AVG. Het op de markt brengen van een medisch AI-hulpmiddel vereist CE-markering (MDR-verordening 2017/745), vaak in klasse IIa of IIb. • Reproduceerbaarheid en verklaarbaarheid. Een "black box"-algoritme dat eenvoudigweg "abnormaal" zegt zonder zijn beslissing te rechtvaardigen, is moeilijk te aanvaarden in een medisch verslag. • Opleiding en acculturatie van teams. Duurzame adoptie van een AI-tool in de klinische praktijk vereist initiële en doorlopende opleiding van artsen en technologen.

Conclusie AI in de nucleaire geneeskunde is niet langer een futuristisch idee. Ze is al aanwezig, vooral in beeldverbetering, PET- en SPECT-denoising, automatische segmentatie, kwantificatie en hulp bij verslaggeving. De publicaties 2024-2026 markeren een duidelijke overgang: van proof of concept naar externe multicentrische klinische validatie. AI vervangt de specialist in nucleaire geneeskunde niet, maar kan hem tijd besparen, de technische kwaliteit van bepaalde onderzoeken verbeteren, de dosis of acquisitietijd verminderen en de analyse homogener maken tussen lezers. De uitdaging voor ons vakgebied de komende vijf jaar is minder technisch dan cultureel en organisatorisch: weten welke tools echte klinische waarde brengen, deze lokaal valideren en de teams opleiden. AI wordt waarschijnlijk een zeer goede copiloot voor de nucleaire geneeskunde. En zoals bij elke goede copiloot komt zijn waarde niet voort uit het vermogen om alleen te beslissen, maar uit het vermogen om de professional die de eindverantwoordelijkheid behoudt intelligent te assisteren.

🔑 Belangrijkste punten • Diagnostische ondersteuning — AI herkent subtiele patronen, pre-segmenteert laesies, kwantificeert tumorlast en standaardiseert metingen; ze fungeert als een digitale tweede lezer, niet als beslisser. • Beeldverbetering — deep learning denoiseert PET- en SPECT-acquisities en opent de weg naar dosisreductie of kortere acquisitietijd; gevalideerd in multicentrische multi-tracer studies (NUCLARITY, SubtlePET, AiCE, enz.). • Pre-reconstructie correctie — AI corrigeert beweging, attenuatie en PET-CT co-registratie voor betrouwbaarder dosimetrie en therapeutische opvolging, met name in RLT. • Automatische segmentatie — foundation models (TotalSegmentator, MOOSE, SegAnyPET, VISTA3D) segmenteren vandaag 100+ structuren in minder dan een minuut, waardoor MTV en TLG eindelijk haalbaar worden in de routine. • Hulp bij verslaggeving — LLM's structureren verslagen en extraheren sleutelgegevens, maar moeten onder strikt medisch toezicht blijven (risico op plausibele feitelijke fouten). • Multimodale fusie — AI verbindt moleculair beeld, CT, klinische data en biologie om recidiefrisico en therapeutische respons te anticiperen. • Huidige beperkingen — weinig tools gaan van prototype naar brede klinische toepassing: inter-machine domain shift, gebrek aan geannoteerde data, MDR/FDA en AVG-beperkingen. • Eindverantwoordelijkheid — de klinische diagnose en therapeutische beslissing blijven menselijk; AI is een copiloot, geen piloot.

• Hashimoto F, Onishi Y, Ote K, Tashima H, Reader AJ, Yamaya T. Deep learning-based PET image denoising and reconstruction: a review. Radiol Phys Technol. 2024;17(1):24-46. doi:10.1007/s12194-024-00780-3 • Balaji V, Song TA, Malekzadeh M, Heidari P, Dutta J. Artificial Intelligence for PET and SPECT Image Enhancement. J Nucl Med. 2024;65(1):4-12. doi:10.2967/jnumed.122.265000 • Miwa K, et al. Innovations in clinical PET image reconstruction: advances in Bayesian penalized likelihood algorithm and deep learning. Ann Nucl Med. 2025. doi:10.1007/s12149-025-02088-7 • Zhang M, Li Y, Zheng C, et al. Fully automated 3D multi-modal deep learning model for preoperative T-stage prediction of colorectal cancer using 18F-FDG PET/CT. Eur J Nucl Med Mol Imaging. 2026;53:910-920. doi:10.1007/s00259-025-07450-5 • Zhang MX, Liu PF, Zhang MD, et al. Deep learning in nuclear medicine: from imaging to therapy. Ann Nucl Med. 2025;39(5):424-440. • Maes J, Carron C, DeKeyser S, et al. Low-count whole-body PET denoising with deep learning in a multicenter, multi-tracer and externally validated study. Eur J Nucl Med Mol Imaging. 2025. doi:10.1007/s00259-025-07672-7 • Silva LC, Constantino C, Teixeira R, et al. Assessing the quantitative feasibility of deep-learning-based denoising of faster-than-1-minute whole-body [18F]FDG PET acquisitions. J Nucl Med. 2025;66(suppl 1):251342. • PET Image Denoising with Rectified Flow. J Nucl Med. 2025;66(suppl 1):251475. • Xue S, Liu F, Wang H, et al. A deep learning method for the recovery of standard-dose imaging quality from ultra-low-dose PET on wavelet domain. Eur J Nucl Med Mol Imaging. 2025;52:1901-1911. doi:10.1007/s00259-024-06994-2 • Raymond C, Zhang D, Cabello J, et al. SMART-PET: a Self-SiMilARiTy-aware generative adversarial framework for reconstructing low-count [18F]-FDG-PET brain imaging. Front Nucl Med. 2024;4:1469490. doi:10.3389/fnume.2024.1469490 • Wasserthal J, Breit HC, Meyer MT, et al. TotalSegmentator: Robust Segmentation of 104 Anatomic Structures in CT Images. Radiol Artif Intell. 2023;5(5):e230024. doi:10.1148/ryai.230024 • Zhang Y, Xue L, Zhang W, et al. SegAnyPET: universal promptable segmentation from positron emission tomography images. Proc IEEE/CVF ICCV. 2025:21107-21116. • He Y, et al. VISTA3D: A Unified Segmentation Foundation Model For 3D Medical Imaging. Proc IEEE/CVF CVPR. 2025. • Riedemann L, Labonne M, Gilbert S. The path forward for large language models in medicine is open. npj Digit Med. 2024;7:339. doi:10.1038/s41746-024-01344-w • Kersting D, Borys K, Küper A, et al. Staging of prostate cancer with ultra-fast PSMA-PET scans enhanced by AI. Eur J Nucl Med Mol Imaging. 2025;52(5):1658-1670.