Denne artikkelen er produsert og finansiert av Universitetet i Oslo - les mer.

Dette vil for eksmpel kunne bli til god hjelp under en galleblæreoperasjon, som vi ser på bildet over.
Dette vil for eksmpel kunne bli til god hjelp under en galleblæreoperasjon, som vi ser på bildet over.

Han tilbyr legene et ekstra øye når de undersøker mage og tarm

Eir var den norrøne gudinnen for legekunst. En ny metode som gir bedre undersøkelser av fordøyelsessystemet har fått hennes navn.

Publisert

Leger kan være superdyktige og påpasselige i sitt arbeid, men likevel overse små indre skader når de undersøker pasientens mage- og tarmsystem.

Dataingeniøren Konstantin Pogorelov på Simula Research Laboratory mente at det var rom for forbedringer. Så han utviklet DeepEir. Det er et system laget for å oppdage og lokalisere uregelmessigheter og tegn på sykdom i fordøyelsessystemet.

Egentlig dreier det seg om datakraft.

Da Pogorelov tok doktorgraden, jobbet han med hvordan man kan skaffe nok datakraft til å bearbeide og analysere enorme datamengder på kort tid, i stedet for å bruke uker og måneder.

– Etterhvert så jeg behovet for å finne et bruksområde der denne datakraften faktisk kan løse problemer i hverdagen, sier han.

De virkelig store oppgavene

Pogorelov har mange års erfaring med programmeringsspråk og utvikling av robotsystemer til bruk i industrien og kjernekraftverk i Russland.

– Når du utvikler programvare, kan du gå fram på to ulike måter. Du kan selv kode og bygge alt fra bunnen. Eller du kan benytte deg av generelle datasett, forklarer Pogorelov.

– Min drøm var å lage et system som andre kan ta i bruk for de virkelig store oppgavene. Jeg trengte rett og slett en utfordring for å teste systemet mitt, et praktisk bruksområde.

– Medisin ble det naturlige valget, siden den medisinske forskningen hele tiden søker å finne svar på nye og viktige spørsmål. Dessuten er min kone erfaren patolog, så hun vet mye om medisinske spørsmål. Dermed falt valget på mage- og tarmsystemet, sier Pogorelov.

– Det var et stort øyeblikk da jeg forsto at vi faktisk kan hjelpe legene og tilby dem et ekstra øye, sier Konstantin Pogorelov.
– Det var et stort øyeblikk da jeg forsto at vi faktisk kan hjelpe legene og tilby dem et ekstra øye, sier Konstantin Pogorelov.

Kamera i halsen

For å undersøke mage og tarm, bruker legene endoskopi. Da fører de et langt, fleksibelt rør utstyrt med videokamera ned i halsen eller gjennom endetarmen. Det mest avanserte er kapselendoskop, som er et bittelite kamera bygget inn i en kapsel på størrelse med en vitaminpille. Når pasienten svelger kapselen, vil den bevege seg gjennom mage- og tarmsystemet. Samtidig overfører kameraet tusenvis av bilder til en enhet som er festet på kroppen.

Dette er altså levende bilder, video i sanntid. Det gjør at legene kan gjøre mye mer detaljerte og omfattende undersøkelser enn MR og CT. Men det innebærer også helt andre datamengder. Dermed er utfordringen å gjøre om dataene til forståelig og nyttig informasjon for legen.

Det er på dette området at Pogorelov har lagt ned det aller meste av sin innsats. Han bruker standard metoder for å innhente, bearbeide og analysere bildedata. Så kombinerer han dette med blant annet kunstig intelligens (AI). Resultatet blir – etter noen år med programmering, eksperimentering, prøving og feiling og noen runder med grensesnittdesign – til DeepEIR.

Krevende maskinlæring

Det kreves masse datakraft for å utvikle noe slikt.

– For oss kan det ta en eller to uker å kjøre ett eksperiment med bildegjenkjenning på én maskin. Det sier noe om hvor mye datakraft som trengs. Hvis vi da har gjort en liten programmeringsfeil, går det minst én uke til. Derfor har jeg vært opptatt av å utvikle metoder for å få ulike systemer til å samarbeide, at det må skje raskt og at datakapasiteten utnyttes mest mulig effektivt, sier Pogorelov.

Som i eksemplet med undersøkelse av fordøyelses- og tarmsystemet, vil legen trenge å lese av resultatene i sanntid. Da er det avgjørende å få opp bilder som er høyoppløste nok til å kunne skille polypper og skader fra ufarlige flekker og tilfeldige skygger.

For å få det til å fungere i praksis, må systemene lære å kjenne igjen hva som er hva. Denne maskinlæringen krever enormt mye tid og datakraft.

Et ekstra øye for legene

– Etter å ha jobbet med dette i årevis, var det en fantastisk tilfredsstillelse å oppleve at DeepEIR faktisk fungerte. Det gikk raskt, nøyaktighet og presisjon var på topp, og alt klaffet. Det var et stort øyeblikk, for da forsto jeg at vi faktisk kan hjelpe legene og tilby dem et ekstra øye.

Det spesielle med DeepEIR er at det er et omfattende og helhetlig system som tar seg av en rekke oppgaver – fra å hente inn data og bearbeide og analysere dem til å fremstille og presentere resultatene.

– Dessuten er jeg fornøyd med at vi har publisert en lang rekke av våre datasett i åpen kildekode, slik at andre forskere får tilgang til sårt tiltrengt medisinsk informasjon, sier han.

Oppdager skogbrann fra verdensrommet

Nye medisinske metoder må gjennomtestes og dokumenteres, på lignende måte som medisiner, før de kan tas i bruk i pasientbehandlingen. Prosessen er i gang, men det vil trolig ta ganske lang tid før DeepEIR kan brukes på sykehusene.

Derfor vil vi kanskje oppleve at Pogorelovs nye metodikk blir tatt i bruk på et annet område først. Da beveger vi oss fra kroppens indre til jordens ytre. Satellitter brukt til å overvåke naturkatastrofer og skogbranner er nemlig et aktuelt bruksområde.

Det var en viktig oppdagelse, et eureka-øyeblikk, da Pogorelov og kollegene forsto at den samme teknologien som brukes i DeepEIR fungerer på satellittbilder. Han håper å kunne bidra til at skogbranner og flommer i avsidesliggende områder kan oppdages raskere enn i dag, noe som kan få store følger for både miljøet og menneskers overlevelse.

Kan avsløre deep fake

Nok et mulig bruksområde er å skjelne falske fra ekte bilder. Såkalte deep-fake bilder blir stadig mer utbredt og kan være umulige for det menneskelige øyet å avsløre.

– I en stadig mer komplisert verden, der ulike krefter forsøker å manipulere informasjonen vi mottar, er vårt ultimate mål å hjelpe mennesker og maskiner med å skille det falske fra det ekte, sier Konstantin Pogorelov.