
Forskning: Kunstig intelligens kan oppdage cerebral parese hos spedbarn
Forskere ved NTNU og St. Olavs hospital er i mål med forskning på en algoritme som gjør at en video av tre måneder gamle spedbarn kan gi svar om sannsynligheten for cerebral parese.
Spedbarn som er født med cerebral parese (CP), har et annet tidlig bevegelsesmønster enn andre barn. Helsepersonell kan identifisere barn med CP blant annet ut fra observasjon av bevegelsesmønster, men ikke alle sykehus har helsepersonell med den kompetansen som kreves. Metoden som brukes, kalles «General Movement Assessment» (GMA).
Forsker og spesialist i barnefysioterapi ved St. Olavs hospital og NTNU, Lars Adde, er ansvarlig for flere kliniske studier som har pågått helt siden 2002, der man har samlet inn videoopptak av spedbarnsbevegelser. Målet har vært å lære kunstig intelligens (KI) å gjenkjenne bevegelsesmønsteret hos spedbarn med CP.
– KI-modellen vår skal ikke sette CP-diagnosen alene, men den skal gi en risikovurdering og brukes som beslutningsstøtte for legen. Dette skal være ett blant mange ulike verktøy, sier Adde til Dagens Medisin.
Den tverrfaglige forskergruppen ved St. Olavs hospital og NTNU har bestått av barnefysioterapeuter, nyfødtleger, dataingeniører, bevegelsesvitere og KI-forskere.
Rapporten overleveres helseminister Ingvild Kjerkol (Ap) som et eksempel på god forskning og innovasjon fra Helse Midt-Norge, og som en del av en årlig rapport om forskning og innovasjon i de ulike helseregionene.
Følger opp barn i risikogruppen
Spedbarn som er i risikogruppen for CP, følges av spesialisthelsetjenesten etter at de reiser hjem fra sykehuset. Noe av det mest alvorlige man ser etter, er skader på hjernen som gir CP. Diagnosen settes i dag når barnet er mellom ett og to år gammelt, etter at det har begynt å krabbe eller gå.
Metodikken som St. Olavs og NTNU utvikler, omfatter en video av barnets spontane bevegelser når barnet er 12-18 uker gammelt, eller det er 12-18 uker etter termin, altså når barnet er tre-fire måneder gammelt.
– Friske spedbarn har rytmiske små varierte bevegelser i hele kroppen og stor grad av variabilitet i bevegelsene i den alderen. Det er en markør på en frisk hjerne. Hvis barna har litt stereotype, monotone bevegelsesmønstre, er det et tegn på at det kan være noe på hjernen, sier Adde.
Taus kunnskap
Helsepersonell ser etter dette bevegelsesmønsteret for å sette en foreløpig diagnose, men dette er spisskompetanse som ikke finnes ved alle sykehus. Han forklarer at denne typen observasjoner er vanskelig dokumentere effekten av, og dette er en type spisskompetanse som ikke tilbys ved alle sykehus.
– Jeg som kliniker kommer litt til kort når jeg skal forklare hva man ser etter. Det er en klinisk observasjon som er veldig kompleks, og som fungerer godt i praksis, men det er en type kunnskap man kan kalle en litt taus kunnskap, sier Adde.
Dette ledet Adde og hans kolleger til ideen om å ta i bruk teknologi og video for å stille diagnosen.
Har fått videoer i 15 år
I samarbeid med sykehus blant annet i Norge, India og USA har de samlet inn videoer av spedbarn som har risikofaktorer for CP og informasjon om hvilke barn. Det barn som senere har fått bekreftet vist seg å ha CP og ikke ha CP.
Videoene har de samlet inn i en årrekke, helt siden 2008. Barna blir fulgt til de er tre-fire år gamle slik at man vet hvem som til slutt har fått diagnosen.
– Vi sitter på en unik database, og det er her kunstig intelligens kommer inn, forklarer Adde.
Forskerne ved NTNU og St. Olav har lært en datamodell til å følge bevegelsene til 19 kroppspunkter på et spedbarn, som nese, hake, albue og kne. Selve opplæringen av datamodellen måtte imidlertid mennesker gjøre.
– Vi har vært ti personer som manuelt har sittet og klikket på stillbilder fra videoer, sier Adde.
Måtte lære opp algoritmen
Men da jobben først var gjort, kunne disse 19 punktene gi dem masse bevegelsesdata i en kort video, som består av tusenvis av stillbilder.
Modellen kan følge albue, knær, hofter og skuldre bilde – bilde for bilde.
Alle disse dataene om bevegelse har en maskinopplæringsalgoritme lært seg å tolke. Algoritmen har funnet sammenhenger mellom bevegelsene hos dem som får diagnosen CP, og dem som ikke får det.
For bare noen få år siden fantes ikke teknologien som gjorde dette mulig.
– Vi har tatt i bruk helt ny teknologi innenfor KI for å kunne trene opp modellen. Men foreløpig er maskinen en «svart boks». Vi putter dataene inn, men vi vet ikke helt hva algoritmen bruker av informasjonen den har, sier Adde.
Må gjøre det mulig å ettergå modellen

Fordi kunstig intelligens som brukes innenfor helse skal være etterprøvbar, holder NTNU og St. Olav også på med prosjektet DeepInMotion, ledet av KI forsker Inga Strümke. Målet er å gjøre datamodellen til det som heter forklarbar kunstig intelligens.
Slik kan helsepersonell forstå og tolke hva maskinlæringsmodellen har kommet frem til. EU har vedtatt et regelverk rundt bruken av kunstig intelligens innenfor helseteknologi som regulerer dette.
– Målet på sikt for vår del er å gjøre det mulig å ta en tre minutter lang video av et spedbarn og foreta en analyse der resultatet gis som en trafikklysmodell, og oppnå at denne modellen er forklarbar for helsepersonell.
Mener Norge er fremst i verden
Neste skritt er å lage et produkt som kan brukes i undersøkelsen av pasienter på sykehus. Da må EUs regelverk følges, og slik kan helsepersonell ettergå beslutningen og forstå hva maskinen vektlegger.
Heri Ramampiaro er professor ved Institutt for datateknologi og informatikk ved NTNU. Han leder også Norwegian Open AI Lab ved NTNU.

Institutt for Nevromedisin og Bevegelsesvitenskap og Institutt (INB) for Data og Informatikk (IDI) har sammen ledet dette tverrfaglige prosjektet som forskningsrådet ga 12 millioner kroner i 2021. Prosjektet ledes idag av Heri Ramampiaro og Inga Strümke ved IDI.
– Også innenfor helt andre bransjer der kunstig intelligens brukes, er det et krav fra EU at det skal være mulig å vite nøyaktig hvorfor det ble anbefalt et avslag. Innenfor medisin er man nødt til å vite hva algoritmene gjør, blant annet for å kunne bruke det som beslutningsstøtte, sier Ramampiaro.
Når EUs krav om gjennomsiktighet er oppfylt, skal Deep In Motion bli et produkt som sykehusene kan ta i bruk.
– Det er et stort team som jobber med dette, og vi tør å påstå at vi ligger fremst i verden når det gjelder denne metoden, sier Ramampiaro.
En fordel for helsevesenet?
Barneleger og fysioterapeuter skal undersøke barnet, man skal snakke med foreldrene, eventuelt ta en MR av hjernen før en diagnose stilles, men videoen av spedbarnet kan tas hjemme. Dette har noen fordeler, mener Adde.
– Når et barn på tre-fire måneder kommer inn til kontroll ved sykehuset, er det satt av en time hos barnelege og fysioterapeut. Det betyr at barnet må være opplagt og ha det bra akkurat da, men lang reisevei, at barnet er trøtt eller har fått vaksine, gjør at det ikke er sikkert at det passer så bra akkurat da, sier Adde.
Når foreldrene gjør det hjemme, får de tre uker på seg og kan ta videoen når barnet er opplagt og i kjente omgivelser.
– Vi tror at dette er en fordel for barnet og foreldrene, og også for helsevesenet, som bruker mindre ressurser, sier Adde.