AI vond een immuunsignaal dat onderzoekers over het hoofd zagen

TL;DR

• Wat: AI-tool AutoDiscovery van het Allen Institute for AI vond een onverwacht immuunsignaal in een veelbestudeerde borstkanker-dataset — vervolgonderzoek bevestigde de vondst.
• Waarom relevant: dit laat zien dat AI niet alleen antwoorden geeft, maar ook kan helpen om de juiste vrágen te stellen — een principe dat net zo goed geldt voor bedrijfsdata.
• Wat je ermee kunt: kijk eens naar je eigen data met de vraag: welke patronen zoek ik níet, juist omdat ik ze niet verwacht?

Ik stuitte op een bericht van het Allen Institute for AI (Ai2) dat me aan het denken zette. Niet over een nieuw taalmodel of chatbot, maar over iets fundamentelers: een AI-systeem dat wetenschappers hielp een signaal te vinden in kankerdata waar jarenlang niemand naar had gezocht. De reden dat ik hier iets mee doe? Het principe erachter is verrassend relevant voor iedereen die met data werkt — ook buiten de wetenschap.

Wat er precies is gevonden

Het gaat om een samenwerking tussen Ai2 en het Paul G. Allen Research Center bij Providence Swedish Cancer Institute. Samen gebruikten ze een AI-tool genaamd AutoDiscovery om kankerdata uit The Cancer Genome Atlas te analyseren — een enorme, publiek beschikbare dataset die al door talloze onderzoeksgroepen is bestudeerd.

AutoDiscovery ontdekte een onverwacht immuunsignaal bij invasief lobulair carcinoom (ILC), een type borstkanker dat zo'n 15 procent van de borstkankerpatiënten in de VS treft. Dit type werd lang beschouwd als "immuun-koud" — een term die betekent dat het immuunsysteem er weinig grip op lijkt te hebben, en dat immunotherapie daardoor minder kansrijk zou zijn.

Maar de data vertelden een ander verhaal. Er bleek wél een sterkere immuunrespons aanwezig dan eerder werd aangenomen. Het team van dr. Kelly Paulson valideerde de vondst vervolgens via een onafhankelijke patiëntdataset én laboratoriumonderzoek aan tumorweefsel. De resultaten zijn vastgelegd in een paper op de preprint-server MedRxiv — het is dus nog niet door peer review gegaan, wat ik belangrijk vind om te vermelden.

Dr. Paulson zei hierover: "AutoDiscovery helped identify a signal we may not have otherwise investigated, then we validated through datasets and laboratory research." Ze voegde toe dat er al bestaande immuuntherapieën zijn die mogelijk getest kunnen worden op dit type kanker.

Hoe AutoDiscovery werkt — en waarom dat bijzonder is

Wat mij hier opvalt, is het verschil met hoe wetenschappelijk onderzoek normaal gaat. Doorgaans beginnen onderzoekers met een hypothese — een vermoeden — en toetsen die aan de data. Dat is degelijke wetenschap, maar het heeft een blinde vlek: je vindt alleen wat je zoekt.

AutoDiscovery draait dat om. Je geeft het systeem een dataset, en het gaat zelfstandig op zoek naar patronen en verbanden. Het genereert hypotheses, voert statistische experimenten uit, en gebruikt een techniek genaamd Bayesian surprise — kort gezegd: het zoekt actief naar resultaten die verrassend zijn ten opzichte van wat je zou verwachten. Daarnaast gebruikt het Monte Carlo Tree Search, een methode die de zoektocht balanceert tussen het verkennen van nieuwe richtingen en het uitdiepen van veelbelovende paden.

Ik vind het eerlijk gezegd fascinerend dat zo'n systeem inmiddels meer dan 65.000 hypotheses heeft gegenereerd, verspreid over oncologie, neurowetenschappen en sociale wetenschappen. Het is niet één toevalstreffer — het is een methodiek die op schaal wordt ingezet.

De juiste vraag stellen is vaak moeilijker dan het antwoord vinden

Dit raakt voor mij aan iets wat breder geldt dan de medische wetenschap. In het originele bericht werd het mooi verwoord: de grootste rol van AI in de wetenschap is misschien niet het beantwoorden van vragen, maar het helpen vinden van welke vragen het stellen waard zijn.

Kun je je voorstellen wat dit betekent als je het vertaalt naar een bedrijfscontext? Veel ondernemers hebben inmiddels best wat data — over klanten, over processen, over verkoop. Maar de analyses die we doen zijn vrijwel altijd bevestigend: we zoeken naar wat we al vermoeden. Dalen de verkopen in maart? Dan kijken we naar maart. Maar wat als er een patroon zit in data waar je nooit naar hebt gekeken, simpelweg omdat je niet wist dat je ernaar moest zoeken?

Ik zeg niet dat elke MKB-ondernemer nu een tool als AutoDiscovery nodig heeft — die is specifiek gericht op wetenschappelijke datasets. Maar het principe is universeel: de waardevolste inzichten zitten soms in de vragen die je nog niet hebt gesteld.

Wat dit niet is

Ik wil hier wel een nuance aanbrengen. AutoDiscovery is geen magische machine die zelfstandig wetenschappelijke doorbraken produceert. De vondst bij Providence Swedish was pas waardevol nádat menselijke onderzoekers het signaal hadden geverifieerd in het lab. De AI wees een richting aan; de wetenschap deed het zware werk van validatie.

Dat onderscheid is wat mij betreft essentieel — ook voor ondernemers die AI inzetten. Een AI-systeem kan patronen oppikken die jij mist, maar het is aan jou om te bepalen of die patronen écht iets betekenen. Data zonder context is ruis. Data mét context en verificatie is kennis.

Ook goed om te weten: de paper is ingediend als preprint en nog niet door peer review. Dat betekent niet dat de resultaten onbetrouwbaar zijn, maar wel dat de wetenschappelijke gemeenschap er nog formeel naar moet kijken. Ik noem dat, omdat ik vind dat je eerlijk moet zijn over de status van een claim.

Breder dan alleen kankeronderzoek

Wat me verder opviel: AutoDiscovery wordt niet alleen voor kankerdata ingezet. Onderzoekers aan het Scripps Institution gebruikten het voor meer dan twintig jaar aan ecologische data over rotsriffen in de Golf van Californië. En aan de University of Utah werd het losgelaten op data over hoe mensen AI-gegenereerde teksten bewerken — met het verrassende resultaat dat promovendi aanzienlijk meer bewerkten dan mensen met een bachelor- of masterdiploma.

Dat geeft aan dat het principe — laat AI zoeken naar wat je niet verwacht — breed toepasbaar is. Het is niet gebonden aan één vakgebied.

Afsluiting

Voor mij is dit vooral een signaal dat de waarde van AI verschuift. Het gaat steeds minder om het automatiseren van taken die we al kennen, en steeds meer om het zichtbaar maken van wat we nog niet zien. Een dataset die al jarenlang door tientallen onderzoeksgroepen is bekeken, en tóch zat er een immuunsignaal in dat niemand had opgepikt. Dat stemt tot nadenken — niet alleen als je in de wetenschap werkt, maar ook als je gewoon een bedrijf runt en elke dag beslissingen neemt op basis van data waarvan je aanneemt dat je ze begrijpt.