Nye fremsteg i AI for klinisk bruk

Forskere fra Radboudumc har bidratt til å fremme kunstig intelligens (AI) i klinisk setting etter å ha demonstrert hvordan AI kan diagnostisere problemer lignende en lege, samt vise hvordan det når frem til diagnosen. AI spiller allerede en rolle i denne sammenhengen, og brukes til å raskt oppdage avvikelser som kan være merket som en sykdom av eksperter. AI brukes i økende grad i diagnose av medisinske bilder. Det som tradisjonelt ble gjort av en lege som studerte et røntgenbilde eller biopsi for å identifisere avvikelser, kan nå gjøres med AI. Gjennom bruk av dypt læring kan disse systemene diagnostisere på egen hånd, ofte like nøyaktig eller endog bedre enn menneskelige leger.

Systemene er imidlertid ikke fullstendige. Et av problemene er at AI ikke viser hvordan det analyserer bildene og når frem til en diagnose. Et annet problem er at de ikke gjør noe ekstra, men stopper når de har nådd en bestemt diagnose. Dette kan føre til at systemet må gå glipp av noen avvikelser, selv om det er en korrekt diagnose.

I denne sammenhengen er den menneskelige legen bedre til å observere pasienten, røntgenbildet eller andre bilder generelt.

AI i klinisk setting

Kunstig intelligens har blitt mer og mer brukt i diagnose av medisinske bilder. Det som tradisjonelt ble gjort av en lege som studerte et røntgenbilde eller biopsi for å identifisere avvikelser, kan nå gjøres med AI. Gjennom bruk av dypt læring kan disse systemene diagnostisere på egen hånd, ofte like nøyaktig eller endog bedre enn menneskelige leger.

Systemene er imidlertid ikke fullstendige. Et av problemene er at AI ikke viser hvordan det analyserer bildene og når frem til en diagnose. Et annet problem er at de ikke gjør noe ekstra, men stopper når de har nådd en bestemt diagnose. Dette kan føre til at systemet må gå glipp av noen avvikelser, selv om det er en korrekt diagnose.

I denne sammenhengen er den menneskelige legen bedre til å observere pasienten, røntgenbildet eller andre bilder generelt.

Fremsteg i AI

Disse problemene for AI i klinisk setting blir nå adressert av forskere. Christina González Gonzalo er en ph.d.-kandidat ved A-eye Research and Diagnostic Image Analysis Group ved Radboudumc.

González Gonzalo har utviklet en ny metode for diagnostisk AI ved å bruke øyenscanner som fant avvikelser i nethinnen. Disse avvikelser kan lett finnes av menneskelige leger og AI, og de finnes ofte i grupper.

I tilfelle av AI-systemet, ville det diagnostisere en eller noen avvikelser og stoppe, og vise en av ulemper ved å bruke slike systemer. For å adresse dette, har González Gonzalo utviklet en prosess hvor AI går gjennom bildet flere ganger. Når det gjør dette, lærer det å ignorere stedene det allerede har dekket, og lar det oppdage nye. I tillegg høydepenger AI også mistenkelige områder, og gjør hele diagnostiske prosessen mer gjennomsiktig for mennesker å observere.

Denne nye metoden er forskjellig fra de tradisjonelle AI-systemene som brukes i disse sammenhengene, som baserer sin diagnose på en vurdering av øyenscanneren. Nå kan forskerne se hvordan det nye AI-systemet nådde sin diagnose.

For å ignorere de allerede oppdagede avvikelser, fyller AI-systemet digitalt inn avvikelser med sunne vev fra rundt avvikelser. Diagnosen gjøres deretter basert på alle vurderingsrundene som legges sammen.

Studien fant at dette nye systemet forbedret sensitiviteten for å oppdage diabetisk retinopati og aldersrelatert makuladegenerasjon med 11,2 +/- 2,0%.

Dette nye systemet kan virkelig endre hvordan AI brukes når det gjelder å diagnostisere sykdommer basert på avvikelser, og den største fremsteg er den nye gjennomsiktigheten det kan vise når det gjennomfører denne prosessen. Denne gjennomsiktigheten er det som vil tillate enda flere fremtidige korreksjoner og fremsteg, med målet om å oppnå et AI-system som kan diagnostisere problemer mye mer nøyaktig og raskere enn de beste menneskelige ekspertene innen feltet. Alt dette kan også føre til et mer pålitelig system, som muligens kan føre til en videre utbredelse av det innen det større feltet, og muligens også til mer fremtidige korreksjoner og fremsteg, med målet om å oppnå et AI-system som kan diagnostisere problemer mye mer nøyaktig og raskere enn de beste menneskelige ekspertene innen feltet. All dette kunne også føre til et mer pålitelig system, som muligens kan føre til en videre utbredelse av det innen det større feltet.