Artificiell intelligens öppnar upp för effektivare diagnostik särskilt i lågresursländer. Men det kan finnas dålig AI vilket gör det svårt för läkaren att välja det bästa verktyget.
Artificiell intelligens används ännu inte kliniskt inom medicinen i Finland. Johan Lundin, som är forskningsdirektör på Institutet för molekylärmedicin i Finland FIMM, tror att diagnostiken kommer att vara ett av de första områdena där AI tas i bruk.
”Har du ett bra material att träna på och en bra lärare kan du träna en AI som i princip kan återskapa det som en expert gör i sina bedömningar.”
Särskilt inom de områden där man gör visuella bedömningar kan experterna ha stor nytta av AI. Hit hör radiologin med röntgenbilder, patologi där en stor del av arbetet är att i mikroskop bedöma cell- och vävnadsprover, samt bedömningen av hudsjukdomar och ögonsjukdomar.
”Man har redan visat att då man tar en bild av vissa specifika hudförändringar och gör en bildtolkning kan dagens AI skilja på melanom och en godartad hudförändring med i vissa fall till och med bättre träffsäkerhet än en expert.”
Studier visar också att AI når lika bra träffsäkerhet som en expert till exempel vid förändringar i ögonbotten på grund av diabetes.
![](https://forummag.ksfmedia.fi/wp-content/uploads/2018/11/Johan_Lundin_by_Kai_Lindqvist_01-440x293.jpg)
Ser Ai som ett verktyg. Johan Lundin tror inte att AI kommer att ersätta experter, men däremot tror han att experter som inte använder AI kan komma att bli ersatta. Foto: Kai Lindqvist
Artificiell intelligens kommer i första hand att vara ett verktyg för experter.
”Dagens AI är inte någon speciellt bred artificiell intelligens, den är snäv och man borde egentligen betrakta den som en supereffektiv mönsterigenkänning. Dagens AI kan inte dra nya slutsatser eller komma med nya upptäckter av sig själv.”
Då AI används som ett verktyg kan det hjälpa experten att titta igenom enorma ytor av prover på förhand.
”AI kan sålla igenom materialet och leta efter en specifik cellförändring samt göra andra bedömningar som att räkna antal celler, räkna antal färgade celler och analysera ytor.”
Johan Lundin berättar att hans forskningsgrupp på FIMM nått mycket lovande resultat inom cancerdiagnostik då AI tränats att förutspå utfallet gällande cancer i tjocktarmen, alltså om patienten kommer att överleva sin cancer.
”AI uppnådde bättre träffsäkerhet än erfarna patologer som gjorde samma bedömning på samma prover.”
Människa och maskin kompletterar varandra. Enligt Johan Lundin går utvecklingen ofta så att AI först uppnår samma nivå som en expert, och efter det kommer ett intressant skede då AI kan göra en bättre bedömning än den mest erfarna experten.
”Då sker det självklart en stor förändring. Det kan jämföras med självkörande bilar, det har förutspåtts att du en dag inte får köra din bil längre eftersom den självkörande bilen är säkrare. Jag tror att motsvarande kommer att hända inom vissa typer av diagnostik, du kan inte låta bli att använda AI.”
Lundin tror inte att AI kommer att ersätta experter, däremot tror han att experter som inte använder AI kan komma att bli ersatta.
”Jag tror att den bästa lösningen långt in i framtiden, tiotals år åtminstone, är en kombination av människa och maskin.”
Maskinen sållar igenom ett stort antal prover i minsta detalj och presenterar resultatet och experten verifierar sedan att resultaten verkar rimliga och korrekta.
Känner inte igen spricka i glaset. En svaghet i dagens AI är att om den stöter på ett fall som avviker för mycket från det data som den är tränats med kan den plötsligt göra märkliga fel. Inom vävnadsdiagnostik kan man ha tränat en AI som med otroligt hög träffsäkerhet skiljer på om det är cancer eller inte, vilken typ av cancer det är och väldigt exakt kan avgöra vilken grad av cancer.
”Men om du plötsligt har ett prov där det på provglasets yta råkar finnas smuts eller en tuschlinje som syns i den digitala bilden kan AI:n göra märkliga felbedömningar.”
En expert kan med sin erfarenhet lätt identifiera om det finns en spricka i glaset eller att vävnaden har vikt sig, men en AI som inte kan generalisera klarar inte av annat än just sådana fall som funnits i dess träningsdata.
Johan Lundin säger att många inte tänker på att en stor del av tiden då man utvecklar AI går till att välja ut rätt träningsmaterial för algoritmen.
”Ungefär 80 procent av tiden i ett projekt för att skapa en ny algoritm för ett visst ändamål går åt till att sammanställa och preparera data för att träna AI.”
Heidi Furu text
Johan Lundin föreläser om läkare och artificiell intelligens på ett symposium i januari, se Symposium om Nytänkande hälsovård: teknik, utmaningar och vägar framåt
Läs hela artikeln i papperstidningen eller i den finlandssvenska tidskriftsajten Paperini!