PRISM2: AI leert pathologie door klinische gesprekken

TL;DR

• Wat: Microsoft Research en Paige presenteren PRISM2, een AI-model dat pathologiebeelden begrijpt door te leren van echte diagnoseverslagen — en daarmee kankerdetectie op klinisch niveau haalt.
• Waarom relevant: Digitale pathologie groeit snel in Nederland; dit type AI kan wachttijden verkorten en diagnostiek toegankelijker maken, ook buiten academische centra.
• Wat je ermee kunt: Als je actief bent in zorg, farma of labdiensten: volg de ontwikkelingen rond multimodale pathologie-AI en de Europese AI Act-leidraad voor labs.

Ik stuitte op een tweet van Microsoft Research over PRISM2 — een AI-model dat pathologiebeelden leert interpreteren door, kort gezegd, in gesprek te gaan met klinische verslagen. Wat mij triggerde: het model haalt volgens de onderzoekers het niveau van gespecialiseerde kankerdetectiesystemen, maar dan via een veel bredere, flexibelere aanpak. Dat vond ik het uitzoeken waard.

Wat is PRISM2 precies?

PRISM2 staat voor de tweede generatie van Paige's slide-level foundation model, ontwikkeld samen met Microsoft Research. Het model is getraind op 2,3 miljoen zogenoemde whole-slide images — dat zijn volledige digitale scans van weefselcoupes, het soort preparaten dat een patholoog onder de microscoop bekijkt. Daarnaast zijn er 14 miljoen vraag-antwoordparen uit zo'n 700.000 echte pathologieverslagen gebruikt.

Wat het bijzonder maakt, is de manier waarop het leert. PRISM2 combineert beeldherkenning met taalverwerking. Het is gekoppeld aan Microsofts Phi-3 taalmodel en leert niet alleen patronen in weefsel herkennen, maar begrijpt ook de klinische taal waarmee pathologen hun bevindingen beschrijven. Denk aan zinnen als "invasief ductaal carcinoom, graad 2" — het model leert de visuele kenmerken te koppelen aan dat soort diagnostische formuleringen.

Het onderzoek is gepubliceerd in Nature Medicine, een van de meest gerenommeerde medische vakbladen. Dat zegt iets over de wetenschappelijke onderbouwing.

Leren door dialoog in plaats van labels

Dit is het punt waar ik even bij stil wilde staan, want het verschilt wezenlijk van hoe de meeste medische AI-modellen werken.

De gangbare aanpak is: je geeft een AI duizenden beelden met een label — "dit is kanker, dit niet" — en het model leert het verschil. Dat werkt, maar het is arbeidsintensief. Elke afbeelding moet handmatig worden gelabeld door een specialist.

PRISM2 pakt het anders aan. Het model leert door klinische dialoog: het interpreteert pathologieverslagen als een soort gesprek over wat er op een weefselcoupe te zien is. Door die verslagen te verwerken als vraag-antwoordparen, bouwt het een begrip op dat breder is dan enkel "kanker ja/nee".

Het resultaat? Met simpele prompts — vergelijkbaar met hoe je een vraag stelt aan ChatGPT — kan PRISM2 kankerdetectie uitvoeren op een niveau dat vergelijkbaar is met, of soms beter dan, gespecialiseerde klinische systemen. Specifiek noemen de onderzoekers prostaatkanker, borstkanker en lymfekliermetastasen bij borstkanker.

Ik vind dat een opvallende prestatie, juist omdat het model niet voor één specifieke kankersoort is gebouwd maar breed inzetbaar is.

Wat betekent dit voor de zorg — en indirect voor ondernemers?

Je denkt misschien: mooi, maar wat heb ik hier als ondernemer aan? Dat hangt af van je sector, maar de bredere implicaties zijn interessant.

Tekort aan pathologen

Er is wereldwijd een tekort aan pathologen. In Nederland speelt dat ook. Als een AI-model betrouwbaar kan voorsorteren — bijvoorbeeld door weefselcoupes te screenen en verdachte gevallen te markeren — kan dat de doorlooptijd van diagnoses verkorten. Voor zorgondernemers, laboratoria en diagnostische dienstverleners is dat direct relevant.

Digitale pathologie in Nederland

Nederland is hier overigens niet stilgevallen. Het Spaarne Gasthuis is gestart met digitale pathologie en plant in een tweede fase AI-ondersteuning voor pathologen. In het Zuyderland ziekenhuis draait al meer dan een jaar een AI-algoritme voor prostaatkankerdetectie in de dagelijkse praktijk. En de Nederlandse Vereniging voor Pathologie heeft in haar strategisch beleidsplan 2025-2030 een landelijke IT-infrastructuur voor het delen van beelden en data als doel opgenomen.

Stel dat je als ondernemer actief bent in medische apparatuur, labdiensten of zorgsoftware — dan is dit het speelveld waar de komende jaren veel gaat verschuiven.

Farmaceutisch onderzoek

Paige positioneert PRISM2 ook als bouwsteen voor farmaceutisch onderzoek: biomarkervoorspelling, cohortidentificatie, patiëntuitkomsten modelleren. Voor bedrijven in de life sciences of CRO-sector (contract research) kan dit type model workflows versnellen die nu nog weken duren.

Wat zit er onder de motorkap?

Voor wie het wil weten: PRISM2 bouwt voort op Virchow2, Paige's pathologie-specifieke foundation model voor beeldherkenning. Daarbovenop zit de integratie met Microsofts Phi-3, een relatief compact maar krachtig taalmodel. Die combinatie — beeld plus taal — maakt het "multimodaal".

Een vergelijking die het misschien verduidelijkt: stel je voor dat je een ervaren medewerker hebt die zowel de foto's kan lezen als de bijbehorende rapporten begrijpt, en die je met een simpele vraag kunt aansturen. Dat is in essentie wat PRISM2 probeert te zijn voor pathologielabs.

Het model is geïntegreerd in Alba, Paige's klinische co-piloot, en is beschikbaar voor enterprise-licenties. Dat betekent dat zorginstellingen en farmabedrijven het relatief snel kunnen inzetten — althans, in theorie. In de praktijk spelen regelgeving en validatie een grote rol.

Kanttekeningen

Ik wil hier eerlijk zijn: de resultaten komen van de ontwikkelaars zelf. Paige en Microsoft Research hebben uiteraard belang bij positieve berichtgeving. De publicatie in Nature Medicine geeft wetenschappelijke geloofwaardigheid, maar onafhankelijke replicatie door andere onderzoeksgroepen is altijd een belangrijke volgende stap.

Daarnaast is er in Europa de AI Act, die specifieke eisen stelt aan AI in de zorg. Er is recent een eerste leidraad gepubliceerd voor de veilige invoering van AI in pathologielabs. Voor ondernemers die in dit veld willen opereren, is kennis van die regelgeving geen luxe maar noodzaak.

Ook is het goed om te beseffen dat "klinisch niveau halen" op benchmarks niet hetzelfde is als dagelijks functioneren in een ziekenhuis. De stap van onderzoek naar routinematige klinische inzet is in de medische wereld — terecht — een lang en zorgvuldig proces.

Een nieuw type AI voor de zorg

Wat mij opvalt aan PRISM2 is niet zozeer de prestatie op één specifieke taak, maar de aanpak. Een model dat leert door klinische taal te begrijpen, in plaats van door handmatig gelabelde datasets, is inherent schaalbaarder. Er bestaan wereldwijd miljoenen pathologieverslagen — dat is een enorme, grotendeels onbenutte bron van medische kennis.

Voor mij is dit vooral een signaal dat AI in de gezondheidszorg een fase ingaat waarin het niet meer gaat om geïsoleerde trucjes voor één ziekte, maar om brede, flexibele systemen die de werkwijze van medisch specialisten beter weerspiegelen. Of dat ook snel in de Nederlandse praktijk landt, hangt af van regelgeving, validatie en — niet onbelangrijk — de bereidheid van zorginstellingen om te investeren in digitale infrastructuur.