Håper MR-funn kan bidra til å fjerne en flaskehals

Behovet for radiologiske undersøkelser er økende, for eksempel på grunn av en bedret kreftomsorg og en aldrende befolkning. Men fra henvisning inn til svarrapport er det mange ulike steg som må tas.

– Det er ulike flaskehalser i pasientforløpet gjennom en radiologisk enhet. De mest kjente er bildedanning og bildeanalyse, innleder Helga Brøgger, som er overlege ved Oslo universitetssykehus (OUS) og leder i Norsk Radiologisk Forening.

Som Dagens Medisin skriver, mener forskere fra NYU Langone Health og Facebook AI at kunstig intelligens kan bidra til å korte ned tiden det tar å ta et MR-bilde radikalt, uten at det går på bekostning av kvaliteten. 

– Sammenlignet med røntgen og CT er MR-undersøkelser meget tidskrevende. MR-undersøkelser gir god bløtvevskontrast uten ioniserende stråling. Å kunne anvende MR-maskinparken mer effektivt, gjennom å få flere pasienter undersøkt per dag, vil bety mye for å fjerne denne flaskehalsen, sier hun videre.

En lovende start
Brøgger synes det er bra med forsknings- og utviklingsarbeid som går på tvers av forskere og miljøer.

– Det er også positivt og viktig for videre forskning og utvikling at det brukes åpen kildekode. Det øker etterprøvbarheten, som er et viktig premiss for vitenskapelig arbeid.

Hun beskriver resultatene fra FastMRI som en lovende start på å effektivisere og optimalisere MR-bildedanning.

Alt har sin pris
– Neste viktige skritt vil være å se om resultatene kan reproduseres med andre maskiner, på andre steder, med andre pasienter samt å undersøke hvilke artefakter denne måten å generere nye bilder fører til.

Artefakter i radiologiske undersøkelser er forstyrrelser, som gir feilaktig informasjon i en del av bildet som skal granskes.

– Hvert steg av prosesser som skal optimalisere bildekvalitet har som regel en pris- nye artefakter vi ikke er kjente med og som vi må bli kjent med. Det er viktig for pasientsikkerheten at man i videre forskning innen dette feltet ser mer på hvilke artefakter som genereres av denne måten å behandle informasjonen på og hva man kan gjøre for å minske disse, presiserer hun.

Spennende, ikke revolusjonerende
Matematiker Vegard Antun ved Universitetet i Oslo (UiO) har nettopp levert sin doktorgrad om hvordan bilder laget ved hjelp av kunstig intelligens påvirkes av ulike typer støy, eller artefakter. Han kaller resultatene fra NYU og Facebook for spennende, men ikke revolusjonerende.

– For eksempel har en studie publisert i Nature i 2018 vist gode resultater ved bruk av kunstig intelligens til å rekonstruere bilder. Slik jeg tolker denne studien, har Facebook tatt utgangspunkt i en studie fra 2017, gjort noen endringer og trent den kunstige intelligensen mer. Facebook har jo store ressurser, så dette er veldig spennende, sier han til Dagens Medisin. 

Men spør seg samtidig:

– Algoritmen lager er fint bilde, men er det det riktige? Eller kan litt støy føre til at bildet blir et helt annet?

Har ikke tatt høyde for worst case
Antun jobber til daglig med å teste såkalte nevrale nettverk gjennom å utsette dem for en egenutviklet ustabilitetstest. De resultatene de har fått til nå, viser at mange algoritmer som bruker kunstig intelligens for bilderekonstruksjon er sårbare.

– Ved å legge inn en forstyrrelse i bildet kan den kunstige intelligensen rekonstruere et helt annet bilde. Eller om pasienten beveger på seg eller ligger litt feil, kan resultatet bli et helt annet enn det skulle blitt. Jeg kan ikke se at forskerne i denne studien har tatt høyde for slike worst case-scenarier, sier han.

– Kunstig intelligens er på vei inn i samfunnet i full fart og vi ser det i alt fra våpenindustrien til medisinen. Når kunstig intelligens brukes for å sortere post, kan man være fornøyd med et resultat som er «on average». Men for pasienter kan dette få store konsekvenser og man risikerer å sette feil diagnose dersom bildet er rekonstruert feil.

For tidlig å ta i bruk
Han understreker at kunstig intelligens har et stort potensial, og kan revolusjonere medisinen, men:

– Det er fremdeles usikkert hvordan sikkerheten kan ivaretas. I denne studien tar de det for gitt at alt kan læres, men det kommer faktisk an på hvor mye data man har.

– Jeg er ikke negativ til resultatene fra NYU og Facebook. Facebook har enorme ressurser som kan dra feltet videre innen sine områder. De gjør en kjempejobb der.

– Men jeg mener det er for tidlig å ta i bruk denne algoritmen i klinisk praksis. Den bør testes mer og utsettes for ustabilitetstester.