Fra regneark til lærende modeller
Forskning har altid handlet om at finde mønstre i data. Det nye ved kunstig intelligens (AI) – og særligt maskinlæring – er, at computeren selv lærer mønstrene ud fra eksempler i stedet for at få reglerne skrevet ind af et menneske. Når datamængderne er store og sammenhængene komplicerede, kan det åbne for opdagelser, som er svære at gøre i hånden.
Begreberne bruges ofte lidt løst, så her er en kort ordliste:
| Begreb | Kort forklaret |
|---|---|
| Kunstig intelligens | Paraplybetegnelse for computersystemer, der løser opgaver, vi normalt forbinder med menneskelig intelligens. |
| Maskinlæring | Metoder, hvor en model trænes på data og bliver bedre til en opgave uden eksplicitte regler. |
| Dyb læring | Maskinlæring med store neurale netværk i mange lag. Særligt stærkt til billeder, lyd og sekvenser. |
| Sprogmodeller | Store modeller trænet på tekst, der kan opsummere, oversætte og skrive – men også tage fejl med stor selvsikkerhed. |
Hvor bruges AI i forskning og sundhed?
Billeddiagnostik og patologi
Algoritmer kan analysere røntgen-, CT- og MR-billeder eller digitaliserede vævssnit og markere områder, som en læge bør se nærmere på. Det er et af de mest modne anvendelsesområder. Læs mere i AI og billeddiagnostik.
Proteiner og molekyler
Et af de mest omtalte gennembrud er forudsigelse af proteiners tredimensionelle struktur ud fra deres aminosyresekvens. Arbejdet blev belønnet med Nobelprisen i kemi i 2024, som gik til David Baker for computerbaseret proteindesign og til Demis Hassabis og John Jumper for AI-modellen AlphaFold. Strukturforudsigelser bruges nu bredt som udgangspunkt for eksperimenter – men de erstatter ikke eksperimenterne.
Lægemiddeludvikling
AI bruges til at sortere i store biblioteker af mulige molekyler, forudsige egenskaber som opløselighed og giftighed og vælge, hvilke kandidater der er værd at teste i laboratoriet. Det kan spare tid i den tidlige fase, men et lægemiddel skal stadig igennem de samme forsøg og den samme godkendelse som før. Se Forskningens vej.
Genomik og sekvensdata
Når man sekventerer DNA og RNA, opstår enorme datamængder. Maskinlæring hjælper med at finde varianter, forudsige deres betydning og koble dem til sygdom. Det kræver dog store, velbeskrevne datasæt – og her er open science og datadeling afgørende.
Laboratoriet selv
I det automatiserede laboratorium kan algoritmer planlægge forsøg, overvåge instrumenter og opdage afvigende resultater. Nogle forskningsgrupper arbejder med "selvkørende laboratorier", hvor robotter udfører forsøg, og en model foreslår det næste forsøg ud fra resultaterne. Læs mere i Laboratorieautomation: robotter, rørpost og data.
Begrænsninger, man bør kende
AI er et kraftfuldt værktøj, men det er ikke magi. Nogle af de vigtigste faldgruber:
- Skæve data giver skæve modeller. En model trænet på data fra én patientgruppe eller ét hospital virker ikke nødvendigvis lige så godt andre steder.
- Overfitting. En model kan lære støj og tilfældigheder i træningsdata udenad og se imponerende ud – indtil den møder nye data.
- Forklarlighed. Mange modeller kan ikke uden videre forklare, hvorfor de når et resultat. Det er et problem, når beslutninger har betydning for mennesker.
- Hallucinationer. Sprogmodeller kan opfinde kilder, tal og citater, der lyder troværdige. Alt skal kontrolleres.
- Validering. Et godt resultat i en forskningsartikel er ikke det samme som dokumenteret nytte i den kliniske hverdag.
Regler og ansvar
I EU er AI-systemer, der bruges til medicinske formål, typisk også omfattet af reglerne for medicinsk udstyr. Dertil kommer EU's AI-forordning (AI Act), der stiller krav til systemer i højrisikokategorier – herunder krav om dokumentation, datakvalitet og menneskeligt tilsyn. Reglerne indfases gradvist over flere år. Ansvaret for en diagnose og behandling ligger fortsat hos sundhedspersonalet.
Sådan læser du nyheder om AI i forskning
- Er resultatet testet på nye, uafhængige data?
- Sammenlignes modellen med eksperter eller eksisterende metoder – og under realistiske forhold?
- Er der tale om et forskningsprojekt eller et godkendt produkt i brug?
- Hvem har finansieret studiet, og er data og kode tilgængelige?