

Slik kan kunstig intelligens endre bildemedisinen
– Generative Adversarial Networks (GAN) er det «neste store» innen radiologi og kommer til å forandre måten vi utfører medisin på, sier professor Bradley Erickson fra Mayo Clinic. Han mener vi er på vei mot «hyper-personalisert» medisin.
Hej!
Tack för att du läser Dagens Apotek! Nu har du tagit del av 10 artiklar och för att läsa vidare på Dagensapotek.se, vill vi att du fyller i dina användaruppgifter. Dagens Apotek på webben är helt kostnadsfri att använda.
Fortsatt trevlig läsning!
Har du redan ett konto?
Logga inVill du dessutom prenumerera på tidningen Dagens Medicin? Klicka på knappen för att teckna en prenumeration.

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.