27 februar 2018
Radiologi og andre fagområder som benytter seg av bildedata, har banet vei for bruk av kunstig intelligens i helse- sektoren. Generelt sett har teknologi som benytter maskinsyn, og ikke minst løsninger gjennomført med dype kunstige nevrale nettverk, utviklet seg med voldsomme skritt i løpet av de siste fem år.
Sammenlignet med andre medisinske fagområder står bildediagnostikk i fremste rekke. Her har maskinsyn allerede blitt brukt i flere tiår. Bildedata er globalt standardisert, pikseldata er språkuavhengig, og kvalitet sikrede og anonymiserte bildepakker, er offentlig tilgjengelig for å kunne videreutvikle løsninger basert på kunstig intelligens. Formålet med slike løsninger, er at de i fremtiden skal kunne analysere data automatisk, samtidig som de identifisere og måler eventuelle funn og deretter foretar en nøyaktig diagnose i løpet av få sekunder.
Maskinsyn trenger altså å videreutvikles, men først og fremst er det viktig å få fremtidige løsninger til å forstå andre pasientopplysninger som, journaldata, laboratorieresultater, diagnoser, medisinske tiltak, medikamentell behandling osv. Det er viktig at all pasientdata tas i betraktning, da dette vil ha stor påvirkning på resultatet av tolkningen.
Bildeanalyser basert på kunstig intelligens (AI), godkjent for klinisk bruk, er fremdeles begrenset men i enkelte tilfeller tilbyr analysene allerede betydelig merverdi. De fleste av dagens løsninger er utviklet for å identifisere funn knyttet til en enkelt sykdom ved bildediagnostiske undersøkelser av ett kroppsområde. For eksempel kan datamaskinen automatisk gjenkjenne datatomografibilder tatt av lungene, og avmerke og måle funn som eventuelt kan vise seg å være ondartede svulster.
I tillegg, finnes det løsninger på markedet som kan gjøre mer omfattende analyser av bildedata fra et bestemt anatomisk område, samt gjenkjenne avvik. Slike analyser kan eksempelvis identifisere tetthet i hjernevev, som kan skyldes blødning, infeksjon eller svulst. For eksempel kan en analyse som identifiserer og måler lungesvulster, gjøre det mulig å forbedre kvaliteten på diagnosen, ved å hjelpe radiologen med å finne små noduler blant hundrevis av snittbilder. Volummålinger i sammenheng med analysen, øker produktiviteten, fordi det er tidkrevende å gjøre disse målingene manuelt. Analyser knyttet til hjernevevstetthet, kan gi resultater som kan benyttes til å prioritere oppgaver.
Om analyseresultatet tyder på en forstyrrelse i hjernens blodsirkulasjon som krever rask behandling, er det mulig å definere tolkningen av den aktuelle undersøkelsen hos en radiolog som et hasteoppdrag og deretter informere om dette til det ansvarlige teamet. Pasienten kan dermed få nødvendig behandling så raskt som mulig, og dermed unngå alvorlige konsekvenser.
Analyser som er godkjent for klinisk bruk, er utviklet av ledende aktører og er lette å integrere i eksisterende datasystemer for bildediagnostikk. Volumbasert prissetting gjør det enkelt å ta i bruk analysene med forutsigbare kostnader og uten store startinvesteringer.
Illustrasjon 1: Maskinsyn har identifisert og målt lungsvulster
Illustrasjon 2: Maskinsyn har identifisert og merket to kondensasjoner i pasientens hjernevev.