Slik kan kunstig intelligens endre bildemedisinen

Haukeland universitetssjukehus, Bergen (Dagens Medisin): Erikcson var en av hovedtalerne under årets konferanse på The Mohn Medical Imaging and Visualization Centre (MMIV) i Bergen.

– For ofte tenker vi at maskinlæring er for komplekst, for vanskelig å forstå og nærmest noe «magisk». Men det er mulig å forstå, var budskapet fra Erikcson til radiologene og andre tilhørere i salen.

Radiologiprofessoren jobber ved Mayo Clinic Rochester, et amerikansk toppsykehus kjent for sine behandlings- og forskningsresultater. Dagens Medisin var med da Helse- og omsorgsdepartementet i fjor besøkte Mayo Clinic for nettopp å lære om hvordan sykehuset tar i bruk ny teknologi.

Utviklingen skyter fart
Såkalt «dyp læring» skiller seg fra tradisjonell maskinlæring ved at den tar i bruk nevrale nettverk på nye måter og i flere nivåer enn tidligere, blant annet innenfor bildegjenkjenning.

– Mer datakraft, utvikling i teori, mye penger og store datamengder er faktorer som gjør at utviklingen akselererer nå, sier Erikcson.

Ved å ta i bruk kunstig intelligens innenfor radiologi, vil man få bedre og raskere bilder, samtidig som stråledosen blir lavere ved CT.  

– Man kan trene nettverkene til å fremheve det du trenger å se og undertrykke det man ikke ønsker å se. Dette vil forbedre bildekvaliteten, blant annet vil den håndtere bevegelse bedre. Jeg tror denne teknologien snart vil kunne tas i bruk, sier Erickson til Dagens Medisin.

Bedre diagnostisering
Han sier såkalte Generative Adversarial Networks (GAN), en metode for å lage «falske» data, er det «neste store» innen radiologi. GANs gjør det mulig å generere store mengder syntetiske treningsdata uten at det er nødvendig å benytte store mengder med reelle personopplysninger.

– Dette kommer til å forandre hvordan vi utfører medisin. Vi kan lære av å forstå hvordan kunstig intelligens lærte. Ved å studere realistiske bilder kan vi gjøre en bedre jobb i å diagnostisere, samtidig som det kan hjelpe oss å forstå biologen bedre, blant annet gi innsikt i hvordan kreft sprer seg, sier Erikcson.

«Hyper-personalisert» medisin
Ingrid Haldorsen, radiologiprofessor og leder av Mohn Medical Imaging and Visualization Centre (MMIV), sier det er stor interesse for utviklingen innen kunstig intelligens i det norske fagmiljøet.

– Dette er inspirerende og noe det er stor interesse for. Den raske bildeprosesseringen kommer, men hvordan vi skal bruke teknologien for å forstå sykdomsmekanismer bedre, er noe som vi enda ikke vet nok om. Fra et klinisk perspektiv er det avgjørende hvordan dette kan hjelpe pasientene, sier hun.

I dag er det ofte biopsi som brukes til å stille diagnose. Både Erickson og Haldorsen tror at bildetaking vil spille en større rolle fremover.

– Nå ser vi at bilder kan identifisere biomarkører, og i tillegg vise hvordan markørene uttrykkes i pasienter. Sånn beveger vi oss videre fra persontilpasset medisin til «hyper-personalisert» medisin. Mens biopsi innebærer at pasienten må gå gjennom en invasiv prosedyre, kan bildetaking gjøres raskere og ikke-invasivt. Med bilder kan man også se et større bilde enn det man får gjennom biopsi, sier Erickson.