Brystkreft er den krefttypen som rammer flest kvinner i verden og i Norge. Jo tidligere kreften oppdages, jo flere overlever.

Mammografi for brystkreft har reddet mange liv. Men det kan være vanskelig for røntgenleger å tolke bildene, og det krever masse ressurser i helsevesenet.

I det siste har det kommet lovende studier som kan tyde på at kunstig intelligens kan hjelpe til.

Lovende studier

Svenske forskere har nylig publisert en studie som viser at den beste algoritmen er like god som en gjennomsnittlig røntgenlege til å finne brystkreft, ifølge en pressemelding fra Karolinska Institutet.

I januar ble det klart at forskere fra Imperial College og IT-giganten Google hadde utviklet kunstig intelligens som gjenkjenner brystkreft bedre enn en røntgenlege, skrev VG.

Utvikler en algoritme

Også her i Norge forskes det nå på hvordan kunstig intelligens kan hjelpe røntgenlegene som i dag ofte sliter med å skille mellom kreft og friskt vev.

Line Eikvil er forsker ved Norsk Regnesentral. Hun deltar i et prosjekt som er ledet av Kreftregisteret. De skal utvikle en algoritme som bruker kunstig intelligens til å tyde bildene fra en brystkreftscreening.

Norge har hatt et mammografiprogram i over 20 år. Alle kvinner mellom 50 og 70 år blir innkalt til screening annet hvert år.

Når forskerne skal lære opp maskinene til å skille mellom frisk og sykt brystvev, finnes det derfor massevis av data i her Norge.

– Vi har en metode oppe nå. Men vi er fortsatt i en prosess med å samle inn nok data på bryster med kreft. De aller fleste kvinner som tar en screening, er jo heldigvis friske. Derfor blir det få data på krefttilfellene, forteller hun.

Får data fra andre land

Da de startet opp prosjektet i 2018, hadde de tenkt å bare bruke norske data.

– Siden vi startet opp prosjektet er det flere som har gjort lignende studier andre steder i verden. Nå kan vi derfor kombinere eget og andres datasett, sier Eikvil.

Maskinene trenger massevis av bilder for å lære.

Forskerne ved Karolinska Institutet har sammelignet tre algoritmer i studien som er nevnt ovenfor. Den metoden som var trent av mest data, var den beste til å gjenkjenne kreft.

Dyp læring

Metoden bygger på det som kalles dyp læring.

Det går ut på å trene opp datamaskinene til å gjenkjenne noe i et bilde som representerer det du vil at de skal finne, forteller Eikvil.

– Tradisjonelt har det vært gjort ved å trekke ut noen egenskaper i bildet. Om du skal lære deg å skille bananer og appelsiner kan du beregne egenskaper som går på fruktens farge og form. Men når du skal lese et grumsete røntgenbilde er det vanskelig å bestemme hvilke egenskaper som skiller kreft fra friskt vev.

Med dyp læring og massevis av data å lære maskinen opp med, kan den selv lære hva som skiller det friske fra det syke og stadig bli bedre og bedre, forteller informatikeren.

Ikke redd for å bli arbeidsledig

I dag er det to helt uavhengige røntgenleger som ser på bildene etter at en kvinne har fått screenet brystene sine.

Hvis det er stort avvik mellom konklusjonen til de to, har de et møte. Der bestemmer de seg for hvilket svar de skal gi til kvinnen.

I diskusjonen om kunstig intelligens er det ofte negative sider som blir fremhevet. Mange er redd for at maskinene skal overta jobbene våre.

Helga Brøgger er ikke engstelig for å bli arbeidsledig.

Lederen i Norsk Radiologisk Forening minner om at dette bare er et verktøy som skal tas i bruk av mennesker.

Brøgger håper at svarene vil komme raskere ved hjelp av kunstig intelligens.

Det gjør at undersøkelsene som haster kan bli prioritert, slik at de blir gransket tidligere.

– Det er morsomt å være røntgenlege i dag, men det vil bli mye morsommere om vi tar i bruk kunstig intelligens. Da kan vi få frigjort tid og bruke mer tid på pasientene våre og på de vanskelige sakene. Vi vil få bedre tid til å snakke sammen.

Avhengig av mennesker

Selv om det har kommet mange forskningsresultater som viser at det er mulig å diagnostisere sykdommer ved hjelp av maskiner, er det langt fram til at dette er hverdagen, mener Brøgger.

– Der det er tilgjengelig store datasett, for eksempel mammografi, tror jeg at vi vil få se gode verktøy i klinisk bruk om ikke lenge.

Når det gjelder mindre pasientgrupper, der det ikke er så mange pasienter og data, er veien frem til bruk på sykehusene lenger.

Etter at algoritmene er ferdig utviklet, dukker det opp en rekke problemstillinger, mener hun.

– Vil vil få samme resultat på et annet sykehus, med andre maskiner og en annen gruppe pasienter? Hvordan får vi integrert disse verktøyene på en god måte i de eksisterende digitale systemene i sykehuset? Hvem har ansvaret for avgjørelsene slike verktøy tar?

Må samarbeid tett

Eikvil og Brøgger er klare på at teknologene som utvikler algoritmene og de som er helsepersonell må samarbeide tett i utviklingen av kunstig intelligens.

– Om vi får bygd opp kompetanse, kan vi få større forståelse for metoden og hva den er bra på eller dårlig på, sier Eikvil.

Brøgger er enig.

– Et samarbeid med teknologene gjør oss bedre i stand til å forstå teknologien og bruke dem i våre datasystemer. Vi må lære oss å bruke disse løsningene slik at vi er trygge på at vi tilbyr forsvarlige tjenester og at vi kan forklare pasienter hvordan beslutningene er tatt.

Les også fra Universitetet i Oslo

Derfor gjør kunstig intelligens fortsatt enkle feil vi mennesker aldri ville gjort