Finner leverkreft med kunstig intelligens

For å diagnostisere kreft i leveren er CT-bilder, et type røntgenbilde, verdifulle for å få mest mulig informasjon om mulig kreft i organet. I 2022 fikk cirka 390 personer i Norge denne kreftformen.

UNN-lege og doktorgradskandidat Keyur Radiya. Foto: Petter Bjørklund / UiT

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).

Prosjektet foregår under senteret for forskningsdrevet innovasjon (SFI) Visual Intelligence: et KI-senter hvor blant annet forskningsgruppen og UNN er tette samarbeidspartnere.

Om SFI Visual Intelligence

Et senter for forskningsdrevet innovasjon (SFI) som har som formål å utvikle nye dyp læring-metoder for å hente ut viktig informasjon fra ulike og komplekse bildedata.
Senteret ønsker å utvikle bedre verktøy for blant annet å oppdage hjertesykdommer og kreft, overvåke og påvise naturressurser og overvåke miljø og klima, risiko og potensielle naturkatastrofer.
Tilnærmingen til senteret er tverrfaglig. Analysemetodikk som utvikles innen et senterområde kan ofte være til nytte på andre fagområder.
Forskningspartnerne i senteret er UiT, Universitetet i Oslo og Norsk Regnesentral.
Senteret består også av store aktører som brukerpartnere, blant annet Universitetssykehuset Nord-Norge, Kreftregisteret, Equinor, Havforskningsinstituttet, GE Vingmed Ultrasound, Kongsberg Satelitte Services, og Aker BP.
Visual Intelligence er, sammen med Dsolve, ett av to SFI-sentre ved UiT.

Les mer om SFI Visual Intelligence på https://www.visual-intelligence.no/

Enormt potensial

KI-basert teknologi har nemlig et enormt potensial til å støtte helsepersonell i ulike oppgaver, eksempelvis i behandling av medisinske bildedata. Et sentralt mål med utviklingen av slike system er å kunne frigjøre mer tid til andre meningsfulle, pasientnære oppgaver.

Førsteamanuensis Kristoffer Wickstrøm. Foto: Petter Bjørklund/UiT

– CT-bilder er essensielle for hvordan man behandler disse pasientene. Dersom man 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 til legene, jo mer kan eksempelvis operasjonskøer kortes ned, legger han til.

Som del av prosjektet har forskerne utviklet et nytt KI-system som på sikt kan 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.

Visual Intelligence-prosjektet fordrer til et unikt og tettvevd samarbeid hvor forskerne kommer tett på problemstillinger og utfordringer som er sentrale for brukerpartnere som UNN. Slik kan man lettere forstå hvordan man utvikler løsninger som kan oppfylle partnernes behov.

– SFI-ordningen gjør at vi bygger kompetanse og miljø som gir styrken til å ligge i front internasjonalt innen forskning på grunnleggende problemstillinger innen tolkbar KI, som samtidig har stort innovasjonspotensiale. Dette skaper vinn-vinn for alle partnerne, sier Robert Jenssen, senterleder for Visual Intelligence.

– Å ha dette senteret er dermed helt essensielt for å kunne gjennomføre disse spennende prosjektene, legger Wickstrøm til. Selv er han en såkalt "principal investigator" ved senteret.

Unik maskinlæringsteknikk

Det nyutviklede systemet fungerer litt som å søke med bilder på Google. Med å gi det 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 - på bare et knapt sekund.

Databasen består av et anonymisert bildesett av lever fra blant annet 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 han.

En tanke er at de uthentede bildene kan sammenlignes med søkebildet for å identifisere mulig kreft. På den måten kan systemet bidra til at analyse og behandling av søkebildet går kjappere.

– Om man 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, forteller Wickstrøm.

Systemet er utviklet med en unik maskinlæringsteknikk. Det kan justere intensitetsgraden på et gitt CT-bilde slik at den fremhever ulike trekk og strukturer i organet.

Den unike maskinlæringsteknikken gjør at KI-systemet kan justere intensitetgraden på CT-bildet for å fremheve relevante trekk og strukturer i lever. Foto: Kristoffer Wickstrøm

Slik har systemet lært å fokusere på relevante karakteristikker i selve leveren. Samtidig kan det luke vekk element på bildet som ikke har noe med organet å gjøre.

– Det betyr at den 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 i CT-bilder, forklarer Wickstrøm.

"Forklarer" avgjørelsene sine

For at KI skal kunne brukes i medisinsk arbeid er det viktig at slike løsninger kan forklare hva de legger vekt på når den utfører en gitt oppgave, altså at de er "tolkbare". Hvis ikke kan legene rett og slett ikke stole på avgjørelsene til programmet.

Den øverste rekken viser bilder systemet har hentet ut (til høyre for linjen) basert på etgitt søkebilde (til venstre for linjen). I nederste rekke "forklarer" det med et slags "varmekart"-system hvilke element på bildet den har fokusert på. Foto: Kristoffer Wickstrøm

– 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 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 fokusert på den delen.

"Tolkbarheten" til systemet gir dermed større innsikt i hvorfor den har hentet ut de CT-bildene den har hentet ut, noe som ofte mangler i tradisjonelle KI-systemer.

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 man 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 Radiya.

Forskerne poengterer videre at løsningene i prosjektet utvikles med mål om å støtte helsepersonell i deres arbeidshverdag fremfor å overta rollen deres.

– Vi ser for 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, avslutter Radiya.

Referanse:

Kristoffer Knutsen Wickstrøm, Eirik Agnalt Østmo, Keyur Radiya, Karl Øyvind Mikalsen, Michael Christian Kampffmeyer, Robert Jenssen. A clinically motivated self-supervised approach for content-based image retrieval of CT liver images.

Om sentre for forskningsdrevet innovasjon (SFI)

Langsiktige forskningsordninger finansiert av Norges forskningsråd hvor fremragende forskningsmiljøer (forskningspartnere) og FoU-aktive bedrifter (brukerpartnere) samarbeider med mål om å styrke teknologioverføring, internasjonalisering og forskerutdanning.
SFI-ordningen fordrer til et unikt og tettvevd samarbeid hvor forskerne kommer tett på problemstillinger og utfordringer som er sentrale for brukerpartnerne. Slik kan de lettere forstå hvordan man utvikler løsninger som kan oppfylle partnernes behov.

I 2024 blir det ny utlysning av SFI, der det lyses ut midler til minimum åtte sentre gjennom en to-trinns søknadsprosess. Søknadsfristen for trinn 1 er 18. september

Les mer om årets utlysning av SFI på Forskningsrådet sine nettsider: www.forskningsradet.no/utlysninger/2024/senter-for-forskningsdrevet-innovasjon-trinn-1/https://www.forskningsradet.no/utlysninger/2024/senter-for-forskningsdrevet-innovasjon-trinn-1/

Bjørklund, Petter petter.bjorklund@uit.no Kommunikasjonsrådgiver / Maskinlæring

Publisert: 26.06.24 09:37 Oppdatert: 26.06.24 09:46

Helse og velferd Teknologi