CT-bilder – en type røntgenbilde – er verdifulle for å diagnostisere kreft i leveren. Bildene bidrar til å gi mest mulig informasjon om mulig kreft.

390 fikk leverkreft på ett år

I 2022 fikk cirka 390 personer i Norge denne kreftformen.

Analyse og behandling av slike bilder spiller derfor en sentral rolle for å avdekke mulig sykdom. En hake er at arbeidet ofte tar mye tid, selv for en erfaren lege.

– For en radiolog kan dette ta opptil to timer daglig, sier doktorgradskandidat Keyur Radiya.

Han er gastrokirurg ved Universitetssykehuset Nord-Norge (UNN).

Sammen med forskere fra Forskningsgruppen for maskinlæring ved UiT forsker han på hvordan dette arbeidet kan effektiviseres med hjelp av kunstig intelligens (KI). Forskergruppen og UNN samarbeider tett i Visual Intelligence, som er et senter for forskningsdrevet innovasjon (SFI).

Frigjør tid for å kutte operasjonskøer

KI-basert teknologi har nemlig et enormt potensial for å støtte helsepersonell. Behandling av medisinske bildedata er bare en av mange oppgaver som teknologien kan bidra til. Slike system vil også kunne frigjøre mer tid til andre meningsfulle oppgaver som er tettere på pasientene.

– CT-bilder er essensielle for hvordan vi behandler disse pasientene. Dersom vi kan automatisere deler av dette arbeidet, kan det effektivisere helsevesenet over hele verden, forteller KI-forsker Kristoffer Wickstrøm. Han er førsteamanuensis i maskinlæringsgruppen og en del av forskningsprosjektet.

– Jo mer tid vi kan frigjøre for legene, jo mer kan for eksempel operasjonskøer kortes ned, legger han til.

Teknologi for å redde liv

Som en del av prosjektet har forskerne utviklet et nytt KI-system. På sikt kan det bidra til å effektivisere arbeidet rundt medisinske bildedata. Forskningen bak systemet kan også være et viktig skritt mot å gjøre KI-teknologi bedre som mulig verktøy i helsetjenesten.

– Forhåpentligvis kan teknologien bidra til å redde liv, sier Wickstrøm.

Senterleder Robert Jenssen i Visual Intelligence mener at SFI-ordningen gjør det mulig å ligge i front internasjonalt. Da snakker han om helt grunnleggende spørsmål innenfor tolkbar KI.

– Å ha dette senteret er dermed helt essensielt for å kunne gjennomføre disse spennende prosjektene, legger Kristoffer Wickstrøm til.

Som å bruke bilde i en søkemotor

Det nyutviklede systemet fungerer litt som å søke med bilder på Google. Når det får et «søkebilde», det vil si et nytt CT-bilde av lever som det aldri har sett før, kan systemet hente ut bilder fra en omfattende database. Det skjer på bare et knapt sekund.

Databasen består av et anonymisert bildesett av lever fra blant andre 370 UNN-pasienter.

– Dersom du gir modellen et CT-bilde av en lever den aldri har sett før, kan den hente frem lignende bilder fra andre pasienter, forklarer Wickstrøm.

Bildene som hentes ut, kan sammenlignes med søkebildet. På den måten kan de hjelpe til med å finne mulig kreft. Systemet kan bidra til at analyse og behandling av søkebildet går kjappere.

Leter etter de viktige tingene

– Om vi oppdager at de uthentede pasientene har en spesiell diagnose, vil det kunne være et hint om at det nye bildet, som vi ikke vet noe om, kanskje har noe lignende, sier Wickstrøm.

Systemet er utviklet med en maskinlæringsteknikk slik at det kan justere et CT-bilde for å fremheve ulike trekk og strukturer i organet. På den måten har det lært å fokusere på de karakteristikkene som er relevante i selve leveren. Samtidig kan det luke vekk elementer på bildet som ikke har noe med organet å gjøre.

– Det betyr at det har lært å ignorere eksempelvis bein og luft på bildet. Vi har dermed designet et selvstyrt system som utnytter klinisk kunnskap om hvordan kreft i lever ser ut på CT-bilder, forklarer Wickstrøm.

Forklarer avgjørelsene sine

For at KI skal kunne brukes i medisinsk arbeid, er det viktig at løsningen kan forklare hva den legger vekt på når den utfører en oppgave. Det vil si at den er tolkbar. Hvis ikke, kan legene rett og slett ikke stole på avgjørelsene til programmet.

– Et vanlig problem med KI er at de ofte mangler denne tolkbarheten. I en helsesammenheng ville det vært problematisk å ta i bruk slike program, sier Wickstrøm.

Etter at det nye systemet har hentet ut CT-bilder, forklarer det derfor hvilke elementer den har fokusert på med hjelp av et slags varmekart-system. Jo rødere en del av bildet er, desto mer har den kunstige intelligensen fokusert på den delen.

Tolkbarheten til systemet gir dermed større innsikt i hvorfor den har hentet ut de CT-bildene den har hentet ut. Dette mangler ofte i tradisjonelle KI-system.

Finner de riktige detaljene

Forskerne har gjennomført flere eksperimenter for å sikre at modellen henter ut relevante CT-bilder. Resultatene viser at systemet fokuserer på relevante trekk og strukturer i organet når den utfører oppgaven sin.

– Disse eksperimentene viser at modellen har en høy grad av treffsikkerhet når den skal finne lignende bilder, forteller Wickstrøm.

Ikke bare kan maskinlæringsteknikken være til hjelp for å finne kreft i lever. Den kan også brukes til å utvikle KI-system som kan identifisere kreftsykdom i andre organ.

– Rammeverkene vi har utviklet, er generelle. Selv om vi fokuserer på CT-bilder av lever, så kan teknikkene vi har utviklet, anvendes på ulike typer bilder. Har du CT-bilder av lunge eller prostata, så kan de brukes på disse også, forteller Wickstrøm.

Et samarbeid mellom menneske og maskin

Selv om KI-systemet viser et tydelig potensial som medisinsk verktøy, presiserer forskerne at det fortsatt er et godt stykke unna fra å bli en hyllevare.

– Før slike verktøy kan innføres, må det blant annet gjennomføres en rekke studier som kan fortelle oss hvor godt de fungerer i praksis. Vi må finne ut om de i det hele tatt har en plass i klinikken, forteller Keyur Radiya.

Forskerne poengterer at målet med løsningene i prosjektet er å støtte helsepersonell i arbeidshverdagen, ikke å overta rollen deres.

– Vi ser for oss at slike verktøy skal fungere som en beslutningsstøtte for legene. Så lenge det er mennesker involvert i arbeidet, vil det være et samarbeid mellom menneske og maskin, sier Wickstrøm.

– Radiologens sluttvurdering vil alltid være gullstandarden, sier Radiya.

Referanse:

Kristoffer Knutsen Wickstrøm, Keyur Radiya mfl: A clinically motivated self-supervised approach for content-based image retrieval of CT liver images. Computerized Medical Imaging and Graphics, 2023.  Doi.org/10.1016/j.compmedimag.2023.102239

Artikkelen er produsert og finansiert av UiT Norges arktiske universitet

UiT er én av over 80 eiere av forskning.no. Deres kommunikasjonsansatte leverer innhold til forskning.no. Vi merker dette innholdet for å tydelig skille formidling fra uavhengig redaksjonelt stoff.
Her kan du lese mer om ordningen.

Fikk du med deg disse artiklene fra UiT Norges arktiske universitet?

• 

  Trene etter menstruasjonssyklus? Ny forskning viser at det ikke er så enkelt

• 

  For første gang kan datamaskiner snakke lule­samisk­

• 

  – Forfriskende å observere et område med isbreer som har holdt seg stabilt i nesten et århundre

• 

  To forskere har vært på jakt i Barentshavet etter en organisme mindre enn et sandkorn

• 

  En tilfeldig snarvei førte til sensasjonelt funn av 6–7.000 år gammel kunst

• 

  1300 barnevernssaker er undersøkt: Dette ble avdekket

Les flere saker fra UiT Norges arktiske universitet her.

forskning.no vil gjerne høre fra deg!
Har du en tilbakemelding, spørsmål, ros eller kritikk? TA KONTAKT HER