”Der er meget fokus på, at AI skal overgå læger på områder, vi i forvejen selv er gode til. Det har vi prøvet at vende om til at udvikle støtte på områder, hvor vi selv har brug for hjælp. Når det handler om at gøre tingene ordentligt og sikre et godt bundniveau i kvaliteten af patientbehandlingen er der nemlig virkelig meget at rykke på,” siger Martin Grønnebæk Tolsgaard.
Øget kvalitet i undersøgelsesmaterialet
Projektet foregår i samarbejde med Københavns Universitet (KU), Danmarks Tekniske Universitet (DTU) og Copenhagen Academy for Medical Education and Simulation (CAMES), som er en af verdens førende institutioner inden for medicinsk og kirurgisk simulation. Projektets formålet er at løfte kvaliteten af ultralydsskanninger af gravide ved at bruge kunstig intelligens. De modeller, projektteamet udvikler, vil f.eks. kunne svare på, om hele baghovedet er med i billedet, om billedet skal forstørres, eller om en bestemt struktur skal være skarpere.
”Meget AI-forskning på mit område fokuserer på at overtage det diagnostiske ved at se på billeder og stille diagnoser. Men det hjælper ikke at have en AI-model, der kan gætte præcist på en diagnose, hvis den ikke har materiale i god kvalitet at kigge på. Derfor er vores fokus på at give gode forklaringer på, hvad man skal gøre, for at ens undersøgelser bliver i en høj kvalitet. Og det kan så hjælpe klinikerne til at lave bedre diagnostik,” siger Martin Grønnebæk Tolsgaard.
Deres model udstikker således en forklaring på, hvornår og hvorfor et givent undersøgelsesmateriale er godt nok. Den spytter med andre ord ikke bare et resultat ud, men leverer det med en forklaring.
”Det handler om at støtte klinikeren frem for at erstatte vedkommende, og det kræver en høj grad af såkaldt ”explainability” at skabe tillid til AI-modellen. Som kliniker bruger man kun det, man føler, man kan stole på, så hvis den ikke forklarer, hvorfor, er der flere niveauer af manglende tillid. Du kan ikke forklare patienten hvorfor. Du kan ikke forklare dig selv som kliniker hvorfor, og du kan heller ikke fejlsøge på samme måde,” siger Martin Grønnebæk Tolsgaard.
Det besværlige er begyndt at blive sjovt
Projektet har været i gang siden 2019 og er med Martin Grønnebæk Tolsgaards ord på vej ind i en fase, hvor det virkelig begynder at være sjovt.
”Det er et stort projekt, og det har taget meget lang tid at få adgang til nationale data. Det er meget besværligt at få tilladelser og godkendelser. Og så har det faktisk taget de første par år at få økonomien på plads og at få en IT-infrastruktur klar og dernæst ansætte folk til at arbejde på projektet. Men nu har vi fået en god bid funding, fem tekniske og tre kliniske ph.d.-studerende og en gruppe gode vejledere på,” siger Martin Grønnebæk Tolsgaard.
Noget af det, der gør arbejdet med AI specielt, ud over at det er dyrt og kræver tålmodighed, er, at projektet nødvendigvis må være tværfagligt.
”Det er noget helt andet end almindelig klinisk forskning, hvor man selv sætter tempoet for dataindsamlingen. Der er man normalt afhængig af meget få mennesker, og man kan selv påvirke det, men her er man også afhængig af ingeniører, og de er afhængige af os. Samtidig har vi forskellige mål for, hvad der er god videnskab,” forklarer han. Han peger f.eks. på, at en data scientist – som er en nøgleperson inden for AI – ser det som et mål at arbejde med noget, der skaber ny viden og ny forståelse på deres område, mens målet for lægen normalt vil være at lave noget, der har klinisk effekt.
”Det er på den ene side besværligt, men det opvejes i høj grad af, at det også har været sjovere end forventet. Så det, der er mest besværligt, er også det, der gør det sjovest og det, der giver virkelig mange muligheder,” siger Martin Grønnebæk Tolsgaard
Lægens sparringspartner
På anvendelsessiden vil klinikerne ifølge professoren få adgang til nogle redskaber, der kan agere som en form for sparringspartner, der hvor man ikke normalt har adgang til sådan en. Netop det har også været en personlig motivation for ham.
Hvad kan Computer Vision bruges til?
Det oplagte område er billeddiagnostik, og netop der spår flere, at det står overfor et gennembrud. Men der er også andre anvendelsesmuligheder. Her er fire mulige anvendelser af Computer Vision inden for sundhed.
- Diagnostik og billedgenkendelse: Analyse af røntgenbilleder, CT-scanninger og MR-scanninger. For eksempel identifikation af tumorer i et CT-scan eller sygdom i et røntgenbillede.
- Medicinsk billedanalyse: Analyse og kvantificering af medicinske billeder. For eksempel måling af læsioner og vævsvolumener på MR-scanninger.
- Robot-assisteret kirurgi: Hjælp til kirurger under operationer. Via kamerateknologi og algoritmer kan kirurger f.eks. få en bedre visualisering af det område, der skal opereres.
- Patientovervågning: Overvåge patienter og identificere ændringer i sundhedstilstanden. F.eks. via vejrtrækning, puls og bevægelsesmønstre.
”Som læger taler vi selvfølgelig med vores kolleger, men vi er meget ofte alene hos patienten og står alene med, hvad der skal ske. Det gælder også for de tekniske og diagnostiske procedurer. De fleste, der laver ultralyd, laver det helt alene, og ingen andre kigger på det. Vi håber, at klinikerne inden for de næste par år får adgang til noget teknologi, der kan give feedback på det rigtige tidspunkt,” siger Martin Grønnebæk Tolsgaard.
Store visioner kombineret med omtanke
Computer Vision-teknologi er langt fremme og har været bredt anvendt i mange år. De fleste kender det fra, når mobiltelefonen med en enkelt kommando kan finde frem til billeder af alt fra katte til kusiner. At teknologien er fremskreden, har fået flere til at forudsige, at netop billeddiagnostik hurtigt ville nå utrolige højder. I 2016 proklamerede den britisk-canadiske forsker Geoffrey Hinton, som dengang arbejdede for Google Brain, at vi lige så godt kunne stoppe med at uddanne radiologer med det samme. Det var, som vi ved i dag, skudt over målet, og netop den slags profetier har også påvirket Martin Grønnegaard Tolsgaards tilgang.
"Jeg mener, at AI har et kæmpestort potentiale. Om ti år forsker vi ikke i det samme som i dag, og jeg håber, at vi har fået nogle helt nye diagnostiske værktøjer. Men samtidig har der også været en tendens til, at AI er blevet en form for tryllestøv, der kan drysses ud, og så lyder det hele lidt mere spændende. Jeg tror, at der er mange steder, hvor man har givet funding til projekter, fordi ordet AI indgik, selvom det, man ønskede at undersøge, måske slet ikke var så spændende. Man skal ikke give penge, bare fordi der står AI. Man skal give penge til god forskning baseret på gode metoder og gode spørgsmål," siger han.
Martin Grønnebæk Tolsgaard tør ikke sætte en dato på, hvornår hans projekt bliver en integreret del af den kliniske praksis herhjemme. Det afhænger bl.a. af investeringsviljen, for det er dyrt at få AI-teknologi på markedet. Til gengæld kan han sige, at de første kliniske afprøvninger af projektets metoder forventes at begynde efter sommerferien.
Første fuldautomatiske værktøj er godkendt i EU
At vejen ud i klinisk praksis kan være lang, afspejles af det ulige forhold mellem titusindvis af studier og et beskedent antal applikationer i anvendelse. Men applikationerne findes, og de fungerer i dag hovedsageligt – i tråd med Martin Grønnebæk Tolsgaards tilgang – primært som beslutningsstøtte. Det første, der blev godkendt i USA af Food and Drug Administration (FDA), hedder OsteoDetect og er lavet af virksomheden Imagen. Det kom på markedet i 2018 og giver beslutningsstøtte til diagnosen af visse typer af håndledsbrud. Et andet eksempel er danske Cerebriu, som tilbyder værktøjer til hjerneskanninger, der bl.a. hjælper med at prioritere, hvad radiologen først skal se på.
Når det kommer til en mere fuldtonet automatisering af diagnostikken, findes der også værktøjer allerede i dag. Et af de meget progressive kommer fra Litauen-baserede Oxipit. I april sidste år fik deres redskab ChestLink en CE-mærkning fra EU, som dokumenterer, at det er i overensstemmelse med gældende EU-lovgivning for medicinsk udstyr. Virksomheden beskriver det selv som det første fuldt autonome AI-produkt til medicinsk billeddannelse, der har fået mærkningen.
"Det er det første tilfælde, hvor en medicinsk diagnostisk evaluering udelukkende vil blive udført af en applikation med kunstig intelligens," siger Oxipits administrerende direktør, Gediminas Peksys i en pressemeddelelse, der kom ud i forbindelse med EU-godkendelsen. I midten af februar blev CE-mærkningen fulgt af en tilsvarende godkendelse i Brasillien. ChestLink er ligeledes godkendt til brug i Australien.
Virksomheden forventer, at løsningen kommer i drift i klinisk praksis i EU i begyndelsen af i 2023. Den vil dog ikke automatisere alt, men er udviklet til at automatisere identifikation af billeder uden abnormiteter. For disse billeder udarbejder applikationen færdige patientrapporter uden indgriben fra radiologen. Det overlades dermed stadig til radiologer at fokusere på tilfælde med mistanke om patologier.
Beslutningsstøtte
Ingen af de kilder, vi har talt med, vil sætte tid på, hvornår vi kan forvente flere fuldt autonome værktøjer inden for Computer Vision i Danmark. Den generelle opfattelse synes stadig at være, at beslutningsstøtte er vejen frem, frem for at overlade hele beslutninger til kunstig intelligens.
FAKTA om Martin Grønnebæk Tolsgaards projekt: Feedback på ultralydsskanninger
-
De første metoder fra projektet skal give feedback på, om der er fremstillet de rigtige planer i en skanning.
-
De modeller, teamet har udviklet, sikrer, at undersøgelsen er af høj nok kvalitet. Har du hele baghovedet med? Skal du forstørre det? Skal denne struktur være skarpere?
-
En del af projektet er at rulle prediktionsstudier ud, som viser, at de kan lave bedre prediktion af fostervægt med AI end med gængse metoder. Dermed kan evnen til at fange de fostre, der er for små og risikerer at dø i mors mave, forbedres.
FAKTA om Martin Grønnebæk Tolsgaards projekt: De største udfordringer
-
De største barrierer handler om tilladelser og jura. Først tilladelser til data og siden tilladelser til at implementere modellerne i klinisk praksis.
-
Selvom en model kan revolutionere praksis og lave markant bedre prediktioner, skal den godkendes som medicinsk device (MDR-godkendelse).
-
MDR er besværligt og omkostningstungt. Ifølge Martin Grønnebæk Tolsgaard vil det koste minimum 10 millioner kroner at få de regulatoriske godkendelser for deres projekt.
