De context
Prof. Dr. Robrecht Raedt en zijn team aan het 4BrainLab van UGent onderzoeken de effectiviteit van nieuwe medische behandelingen tegen epilepsie. Daarvoor volgen ze ratten en muizen gedurende maanden en registreren ze continu hun hersengolven (EEG). Om te weten of een behandeling werkt, moet elke epileptische aanval in die opnames precies geannoteerd worden: wanneer begint hij, wanneer eindigt hij.
Dat annoteren gebeurde manueel, en dat weegt zwaar door. Voor elke twee dagen aan opnames was er ongeveer een volledige werkdag nodig om alle aanvallen te markeren. Met opnames die maanden aanslepen, ging zo een enorm deel van de onderzoekstijd naar iets wat weinig met het eigenlijke onderzoek te maken had.
De menselijke kant
Achter die annotaties zitten onderzoekers die dag na dag door golfpatronen moeten spitten, op zoek naar de subtiele signalen van een aanval. Het is monnikenwerk: repetitief, vermoeiend voor de ogen, en gevoelig aan menselijke inconsistentie. Twee onderzoekers die dezelfde opname bekijken, komen niet altijd tot exact dezelfde start- en eindtijden.
Wat het team eigenlijk wilde, was simpel: minder tijd kwijt zijn aan het lezen van golven, en meer tijd om na te denken over wat de resultaten betekenen voor de behandeling die ze testen. Elke stap richting automatisering betekende voor hen meer ruimte voor het onderzoek waar het uiteindelijk om draait.
De oplossing
Ixor ontwikkelde een detectiesysteem gebaseerd op de WaveNet-architectuur, oorspronkelijk ontwikkeld door Google DeepMind. In plaats van manueel bedachte kenmerken uit het signaal te halen, leert het model rechtstreeks van de ruwe EEG-golven. Voor elk moment in de opname berekent het model een kans dat het dier op dat ogenblik een aanval heeft.
Een eenvoudige drempelwaarde op die kansen volstaat niet — dat geeft te veel korte, foutieve pieken die geen echte aanvallen zijn. Daarom voegde Ixor een tweede laag toe: een Hidden Markov Model dat het dier modelleert als een systeem met twee toestanden, in aanval en tussen aanvallen. Met het Viterbi-algoritme berekent dit model de meest waarschijnlijke opeenvolging van toestanden, en dus de exacte start- en eindtijden van elke aanval.
In een tweede ontwikkelingsfase breidde Ixor het systeem verder uit: onderzoekers kunnen nu modellen trainen op data van meerdere dieren samen, of net een model op maat van één specifiek dier bouwen. Een overzichtelijk dashboard toont voor elk experiment de gevoeligheid en specificiteit van het model, zodat het team zelf kan opvolgen en bijsturen. Zo kan UGent na verloop van tijd steeds meer data toevoegen en eigen detectiemodellen verfijnen, zonder telkens bij Ixor te moeten aankloppen.
De impact
Waar manuele annotatie een volledige werkdag kostte per twee dagen opname, verwerkt het systeem van Ixor tot 20 minuten aan opname per seconde. Onderzoek dat vroeger maanden aan annotatiewerk vergde, wordt zo tot een kwestie van momenten herleid.
Even belangrijk: het proces dwong het team om scherper te definiëren wat een epileptische aanval precies is — inclusief exacte start- en eindtijden en een minimale aanvalslengte. Die standaardisatie maakt de annotaties consistenter, en dus ook het model dat ervan leert. Met extra dashboards houdt het team bovendien zelf grip op de betrouwbaarheid van elk experiment.
Waarom Ixor?
Dit project toont hoe Ixor complexe AI-technieken toegankelijk maakt voor onderzoekers die geen data scientists zijn: niet als een black box, maar als een instrument waarmee ze zelf verder kunnen bouwen. Prof. Raedt ziet in deze aanpak trouwens een blik op de toekomst — dezelfde technieken op maat trainen, maar dan voor humane EEG-signalen, om epileptische aanvallen bij patiënten te detecteren of er zelfs voor te waarschuwen.
