Røntgenbilleder, CT- og MR-scanninger, mammografier og mikroskopibilleder af vævsprøver: Moderne medicin producerer enorme mængder billeder. Det gør billeddiagnostik til et oplagt område for kunstig intelligens – og det er da også her, langt de fleste godkendte AI-produkter i sundhedsvæsenet findes.
Hvordan lærer en algoritme at "se"?
De fleste AI-værktøjer til billeder bygger på dyb læring med såkaldte neurale netværk. Forenklet foregår udviklingen sådan:
- Data indsamles: Tusindvis eller millioner af billeder, hvor det er kendt, hvad de viser – fx om en mammografi senere viste sig at rumme kræft.
- Træning: Netværket justerer sine indre parametre, indtil det bliver godt til at forudsige det rigtige svar på træningsbillederne.
- Test: Modellen afprøves på billeder, den aldrig har set, helst fra andre hospitaler og andre scannere.
- Klinisk afprøvning: Til sidst undersøges det, hvordan modellen klarer sig i den virkelige arbejdsgang.
Algoritmen "forstår" ikke billedet, som en læge gør. Den har lært statistiske mønstre, der hænger sammen med bestemte fund. Det er både dens styrke og dens svaghed.
Hvad bruges AI til i dag?
Typiske opgaver er:
- Opsporing: at markere mistænkelige områder, fx små knuder i lungerne eller knoglebrud.
- Prioritering (triage): at flytte scanninger med tegn på akutte tilstande, fx blødning i hjernen, frem i køen.
- Måling: at måle størrelser og volumener automatisk, så opfølgning bliver mere ensartet.
- Screening: at fungere som en ekstra læser ved fx mammografiscreening.
- Billedkvalitet: at reducere støj, så scanninger kan tages hurtigere eller med lavere stråledosis.
- Digital patologi: at analysere scannede vævssnit og hjælpe patologen med at finde og tælle bestemte celler.
I USA fører fødevare- og lægemiddelmyndigheden FDA en offentlig liste over AI-baseret medicinsk udstyr. Listen er vokset til over tusind produkter, og langt de fleste hører til radiologien. I EU reguleres AI-værktøjer til diagnostik som medicinsk udstyr, og den europæiske AI-forordning stiller yderligere krav til højrisiko-AI.
Det, forskningen viser – og ikke viser
Mange studier viser, at algoritmer kan opnå en træfsikkerhed, der svarer til erfarne specialisters, på afgrænsede opgaver. Der er også studier, der tyder på, at AI kan aflaste radiologerne i screeningsprogrammer uden at forringe resultaterne.
Men der er vigtige forbehold:
- Mange studier er tilbageskuende: De tester modellen på gamle billeder, ikke i den travle hverdag.
- Overførbarhed: En model, der er trænet på ét hospitals scannere og patienter, kan klare sig dårligere andre steder.
- Effekt på patienterne: At en algoritme finder flere forandringer, er ikke det samme som, at patienterne får det bedre. Nogle fund ville måske aldrig have givet problemer (overdiagnostik).
- Få randomiserede forsøg: Der er relativt få store forsøg, der sammenligner forløb med og uden AI.
Sensitivitet, specificitet og overdiagnostik er forklaret nærmere i Diagnostik forklaret.
Mennesket i loopet
I dag er de fleste systemer designet som beslutningsstøtte: AI'en foreslår, mennesket beslutter. Det rejser sine egne spørgsmål:
- Automationsbias: Mennesker kan komme til at stole for meget på maskinens forslag – eller overse fejl, fordi de forventer, at maskinen har ret.
- Ansvar: Hvem har ansvaret, hvis algoritmen tager fejl? Som udgangspunkt den sundhedsperson, der træffer beslutningen, men spørgsmålet diskuteres.
- Forklarlighed: Det kan være svært at se, hvorfor en model mener noget. Forskere arbejder med metoder, der viser, hvilke dele af billedet modellen har lagt vægt på.
Bias og data
En model er aldrig bedre end sine data. Hvis visse patientgrupper er underrepræsenteret i træningsdata – fx bestemte aldersgrupper eller etniske grupper – kan modellen fungere dårligere for netop dem. Derfor er det vigtigt at teste modeller på data, der ligner de patienter, de skal bruges på, og at følge dem efter ibrugtagning, fordi både udstyr og patientgrupper ændrer sig over tid.
Den bredere brug af maskinlæring i forskningen – fra proteinstrukturer til laboratoriedata – er beskrevet på siden AI i forskningen.
Hvad betyder det for patienterne?
For patienten er AI i billeddiagnostik for det meste usynlig. Man vil sjældent opleve, at en algoritme stiller en diagnose; den hjælper de fagfolk, der gør. Det er rimeligt at spørge, hvordan et hospital bruger AI, og det er myndighedernes og hospitalernes ansvar at sikre, at værktøjerne er dokumenterede og overvågede.
Opsummering
AI i billeddiagnostik er gået fra eksperiment til hverdag på mange hospitaler. Teknologien er stærkest på afgrænsede, gentagne opgaver, hvor den kan fungere som en ekstra skarp makker. Den store opgave nu er at dokumentere, at værktøjerne forbedrer patientforløbene i praksis – ikke kun på testdata. Det er den samme lange vej fra opfindelse til løsning, som gælder for alle nye teknologier: se Forskningens vej.