Hur artificiell intelligens kan bli bättre och bättre på att ställa diagnoser för att underlätta patologers arbete är något som Ida Arvidsson forskar om. Målsättningen är att algoritmer ska tränas för att göra allt säkrare bedömningar av bilder av vävnadsprover för prostatacancer.

– Det bygger på maskininlärning, där datorer gör en bildanalys. Förhoppningen är att diagnostiseringen ska bli så bra att patologerna kan fokusera på de fall där det faktiskt finns en sjukdom, säger Ida Arvidsson.

Hon har en bakgrund som civilingenjör inom teknisk fysik och har intresserat sig för bildanalys, och som doktorand vid Matematikcentrum vid LTH blev hon en del av ett forskningsprojekt där patologer och matematiker tillsammans försöker utveckla en metod för att låta artificiell intelligens snabba upp och avlasta patologernas arbete.

Kraftfulla datorer behövs

Tekniskt sett innebär det att man designar ett skelett för en algoritm som gör massa olika beräkningar, ett så kallat neuralt nätverk. Det neurala nätverket tränas upp med hjälp av kraftfulla datorer för att beräkna och kombinera avancerade egenskaper i bilder och för att kunna göra sin bedömning. I början sker algoritmens bedömning slumpmässigt, men efterhand förbättras algoritmen genom att den automatiskt uppdateras efter de fel som görs, eftersom den tränas på datamängder
med bilder och facit. När detta har skett tillräckligt många gånger blir precisionen allt bättre. I projektet har man bland annat haft 700 biopsier från prostata att utgå ifrån som underlag, där man kunnat jämföra med patologernas bedömningar, och med tiden har datorns beräkningar blivit allt mer träffsäkra.

– Det speciella är att nätverken inte programmeras i detalj, utan i stället själv tränar upp sig genom att använda många olika exempel där vi talar om vad som är facit. Nätverket lär sig att känna igen en liknande bild. Detta kräver stor datorkraft inledningsvis, men när den väl är tränad kan man använda tekniken på en normal dator, berättar Ida Arvidsson.

Artificiell intelligens kan inte ersätta patologernas bedömning helt och hållet. Det kan finnas ytterligare patientinformation som tidigare behandlad cancer, symptom hos patienten eller bilder från magnetkameraundersökning som patologen kan väga in i sin bedömning. Men genom att exempelvis kunna sortera bort alla som är tveklöst friska, spar det mycket tid för vården som kan användas till att behandla sjuka patienter och att ägna mer tid åt gränsfallen.

Maskin + människa = bäst

När det gäller prostatacancer används i dag en gradering av cancerns aggressivitet enligt den så kallade Gleasonskalan. Problemet är att det finns en stor variation i bedömningarna, både mellan olika patologer men också hur samma patolog bedömer olika bilder. På längre sikt är det möjligt att datorn gör ett bättre jobb än det mänskliga ögat kan.

– Men patologer har större kunskap om vad som kan bli möjliga utfall av en viss prognos, och har ytterligare information, som patientens ålder och sjukdomshistoria, att ta med i sin bedömning. Det är svårt att bygga in i en algoritm, säger Ida Arvidsson som tror att en kombination av maskin och människa är det bästa. Ett annat problem i dag är att sjukhusen inte använder samma teknik för infärgning av prover, vilket gör att AI:n inte reagerar likadant på bilder från olika sjukhus. Projektet fortsätter nu med vidare utveckling.

– Målet är att utveckla en algoritm som kan användas med samma precision på fler sjukhus, säger Ida Arvidsson.

TEXT:JONAS ANDERSSON