Firdaus Mohamed Hoesein werkt als radioloog en onderzoeker op het gebied van beeldvorming van longen en hart met technieken als CT, MRI en PET-CT. Daarnaast doet hij onderzoek naar vroege detectie van longziekten en de inzet van AI binnen de radiologie. Het gesprek plaatst AI nadrukkelijk binnen de context van een zorgsysteem waarin menselijke beoordeling, wetgeving en ethiek een belangrijke rol blijven spelen.

Aanleiding voor het gesprek vormt onder meer de uitspraak van AI-pionier en Nobelprijswinnaar Geoffrey Hinton dat radiologen in de toekomst mogelijk overbodig zouden worden door AI. Volgens Hoesein werd die voorspelling later terecht genuanceerd. Daarmee wordt direct een centrale vraag van de aflevering zichtbaar: welke onderdelen van medische zorg zijn automatiseerbaar, en welke blijven afhankelijk van menselijke interpretatie? Het gesprek laat ook zien hoe moeilijk het is om de maatschappelijke impact van technologie betrouwbaar te voorspellen. Doorgaans verdwijnen niet complete beroepen van de ene op de andere dag, maar veranderen specifieke taken binnen bestaande beroepen of worden zij ondersteund door nieuwe systemen.

Een belangrijk uitgangspunt in de aflevering is dat AI radiologen voorlopig niet zal vervangen. Volgens Hoesein zijn de medische praktijk en de verantwoordelijkheid binnen de zorg daarvoor te complex. Wel kan AI specifieke taken ondersteunen. Hij noemt als voorbeeld longkankerscreening, waarbij een radioloog honderden CT-beelden moet beoordelen op afwijkingen van slechts enkele millimeters groot. Algoritmes kunnen helpen om zulke kleine afwijkingen systematisch te detecteren en mogelijke missers te verminderen.

Tegelijkertijd benadrukt hij dat medische beeldvorming sterk afhankelijk is van context. Factoren als de leeftijd van een patiënt, eerdere medische gegevens, beeldkwaliteit of beweging tijdens een scan beïnvloeden de interpretatie. AI-systemen worden meestal getraind op goed gecontroleerde datasets en presteren minder goed wanneer beelden afwijken van die trainingssituaties. Radiologen kunnen zulke variaties doorgaans beter interpreteren. Daarmee verschuift het gesprek van de vraag wat AI technisch kan naar de vraag wat menselijke zorgverlening onderscheidt van algoritmische patroonherkenning. Hoesein formuleert dit expliciet als de vraag of een algoritme ook werkelijk kan “begrijpen”. Intuïtie en context worden daarbij gepresenteerd als voorwaarden voor betekenisvolle interpretatie binnen de geneeskunde.

Het gesprek gaat uitgebreid in op de vraag waarom mensen menselijke fouten vaak gemakkelijker accepteren dan fouten van systemen. Daarbij wordt de vergelijking gemaakt met zelfrijdende auto’s. Dagelijks veroorzaken menselijke bestuurders ongelukken, maar incidenten met autonome voertuigen trekken disproportioneel veel aandacht. Volgens Hoesein speelt een vergelijkbaar mechanisme in de zorg: zodra een algoritme betrokken is bij medische besluitvorming, verwachten mensen vrijwel volledige foutloosheid.

De Europese AI Act komt ter sprake als voorbeeld van regelgeving die medische AI-systemen als hoogrisicotoepassingen beschouwt. Daardoor geldt binnen de radiologie het principe van “human in the loop”: een mens moet eindverantwoordelijk blijven voor de uiteindelijke beoordeling. Volgens Hoesein beperkt dat volledige automatisering, maar biedt het ook bescherming voor patiënten.

Een concreet voorbeeld uit de praktijk betreft AI-software voor het herkennen van botbreuken. In een beschreven casus zag een radioloog geen fractuur op een scan, terwijl een algoritme wel een afwijking signaleerde. Een week later bleek op een vervolgscan dat er inderdaad sprake was van een kleine breuk. Zulke voorbeelden maken volgens de sprekers duidelijk dat AI soms patronen kan detecteren die voor mensen moeilijk zichtbaar zijn. Tegelijk roept dit vragen op over uitlegbaarheid en verantwoordelijkheid. Wanneer een algoritme een afwijking detecteert, willen artsen kunnen begrijpen waarom het systeem tot die conclusie komt. De term “black box” verwijst in dit verband naar modellen waarvan het besluitvormingsproces onvoldoende inzichtelijk is.

Naast technologie komt ook de menselijke kant van zorg uitgebreid aan bod. Hoesein benadrukt dat empathie volgens hem niet door AI vervangen kan worden. Taalmodellen kunnen wel empathische taal simuleren, maar ervaren geen begrip of betrokkenheid. Binnen de geneeskundeopleiding wordt empathie volgens hem actief getraind, onder meer via communicatieoefeningen, rollenspellen en langdurig contact met patiënten. Tegelijk moeten artsen leren omgaan met professionele afstand om overbelasting en burn-out te voorkomen.

Over de toekomst van het ziekenhuis verwacht Hoesein dat AI vooral zal helpen bij het filteren van routinematige onderzoeken en het integreren van grote hoeveelheden medische informatie. Hij schetst een scenario waarin algoritmes normale scans met hoge zekerheid kunnen herkennen, zodat artsen zich meer kunnen richten op complexe gevallen en multidisciplinair overleg. Daarbij blijft volgens hem menselijke regie noodzakelijk, vooral wanneer medische context, onzekerheid of communicatie met patiënten centraal staan. AI wordt in dat toekomstbeeld minder voorgesteld als autonome vervanger van artsen en meer als ondersteunende infrastructuur binnen bestaande medische workflows.

Bronnen

• Filosofie in Actie. (2026, 7 april). In gesprek met Firdaus Mohamed Hoesein [Podcastaflevering]. Spotify.
• Knijff, P. (2026, 13 mei). LinkedIn-bericht over Filosofie in Actie met Firdaus Mohamed Hoesein. LinkedIn.
• Mohamed Hoesein, F. (2026, 13 mei). Wat maakt ons als zorgverleners uniek? LinkedIn.
• Derksen, M. (2026, 17 maart). De toekomst laat zich slecht voorspellen. Upstream.