Nye fremskridt i AI til klinisk brug

Forskere fra Radboudumc har hjulpet med at fremme kunstig intelligens (AI) i den kliniske sammenhæng efter at have demonstreret, hvordan AI kan diagnosticere problemer på samme måde som en læge, samt vise, hvordan det når frem til diagnosen. AI spiller allerede en rolle i denne sammenhæng, da det bruges til at hurtigt opdage abnormaliteter, der kan være betegnet som en sygdom af eksperter.. AI har været mere og mere brugt i diagnosen af medicinsk billedanalyse. Det, der traditionelt blev gjort af en læge, der studerede en røntgen eller biopsi for at identificere abnormaliteter, kan nu gøres med AI.

AI i den kliniske sammenhæng

Kunstig intelligens er blevet mere og mere brugt i diagnosen af medicinsk billedanalyse. Det, der traditionelt blev gjort af en læge, der studerede en røntgen eller biopsi for at identificere abnormaliteter, kan nu gøres med AI. Gennem brug af dyb læring kan disse systemer diagnosticere på egen hånd, ofte med samme nøjagtighed eller endda bedre end menneskelige læger.

Systemerne er dog ikke perfekte. Et af problemerne er, at AI ikke viser, hvordan det analyserer billederne og når frem til en diagnose. Et andet problem er, at de ikke gør noget ekstra, hvilket betyder, at de stopper, når de når frem til en bestemt diagnose. Dette kan føre til, at systemet ikke opdager visse abnormaliteter, selvom der er en korrekt diagnose.

I denne situation er den menneskelige læge bedre til at observere patienten, røntgen eller andre billeder i det hele taget.

Fremgang i AI

Disse problemer for AI i den kliniske sammenhæng bliver nu adresseret af forskere. Christina González Gonzalo er en ph.d.-stipendiat ved A-eye Research and Diagnostic Image Analysis Group på Radboudumc.

González Gonzalo har udviklet en ny metode til diagnostisk AI ved at bruge øjenscanner, der fandt abnormaliteter i nethinden. De specifikke abnormaliteter kan let opdages af både menneskelige læger og AI, og de optræder ofte i grupper.

I tilfældet med AI-systemet ville det diagnosticere en eller flere af abnormaliteterne og stoppe, hvilket demonstrerer en af ulemperne ved at bruge et sådant system. For at adressere dette har González Gonzalo udviklet en proces, hvor AI’en gennemgår billedet flere gange. Når det gør det, lærer det at ignorere de steder, det allerede har dækket, hvilket giver det mulighed for at opdage nye. Oven i det højligter AI’en også mistænkelige områder, hvilket gør hele diagnostiske processen mere gennemsigtig for mennesker at observere.

Denne nye metode adskiller sig fra de traditionelle AI-systemer, der bruges i disse sammenhænge, som baserer deres diagnose på en vurdering af øjenscanningsbilledet. Nu kan forskerne se, hvordan det nye AI-system nåede frem til sin diagnose.

For at ignorere de allerede opdagede abnormaliteter fylder AI-systemet dem digitalt med sundt væv fra omkring abnormaliteterne. Diagnosen bliver herefter lavet på basis af alle vurderingsrundes samlet.

Studiet fandt, at dette nye system forbedrede følsomheden af opdagede diabetisk retinopati og aldersrelateret makuladegeneration med 11,2 +/- 2,0%.

Dette nye system kan virkelig ændre, hvordan AI bruges til at diagnosticere sygdomme baseret på abnormaliteter, og den største fremgang er den nye gennemsigtighed, det kan demonstrere under processen. Denne gennemsigtighed er det, der vil give mulighed for endnu flere fremtidige korrektioner og fremskridt, med det endelige mål om at opnå et AI-system, der kan diagnosticere problemer langt mere nøjagtigt og hurtigt end de bedste menneskelige eksperter inden for feltet. Alt dette kan også føre til et mere troværdigt system, der muligvis resulterer i en bredere accept af det inden for det større felt.