OVERLEGEN 2-2024 20 KUNSTIG INTELLIGENS ›› Velkommen maskin Det realistiske hovedmålet bak innføringen av kunstig intelligens (KI) for helse, og herunder radiologi, er å avlaste mennesker for tidkrevende og ikke minst repeterende (les: kjedelig) arbeid av større volum. Innen radiologi kjenner vi dette blant annet gjennom innføringen av KI-assisterte løsninger for raskere deteksjon av beinbrudd på røntgenbilder. Nå utvides denne innføringen for oppgaver med økende vanskelighetsgrad. Deteksjon av hjerneblødning på CT-bilder i akuttmottak er et aktuelt eksempel. Denne innføringen stiller stadig nye og større krav til gode rutiner for å kvalitetssikre KI-modellene og dertil rammene for forsvarlig klinisk bruk. Innføringen av hyllevare for KI på sykehuset har møtt på noen utfordringer. Enkelt forklart passer ikke leverandørenes inntjeningsmodell helt med vårt eksisterende løp for innkjøp og innføring av programvare. Hyllevare for KI selges nå typisk som betaling-per- bruk. Forretningsmodellen her ligner til forveksling på en App Store, det vil si en distribusjonsplattform slik vi kjenner det fra smarttelefonen, hvor sluttbrukeren ‘laster ned’ den løsningen som ønskes. Her sendes bildene fra sykehusets interne database (‘PACS’) til en skyløsning i et annet og helst europeisk land for bearbeidelse. Til slutt returneres svaret til sykehusets database og avidentifiserte data i skyen slettes forløpende. I sum har dette medført et omfattende arbeid på sykehuset for å etablere nye rutiner for anbudskonkurranser av distribusjonsplattformene, samt en helt ny virkelighet omkring sikker deling av sensitive data på tvers av landegrenser og til skyløsninger. Fra store data til nyttige data En noe undervurdert utfordring for bruk av KI i radiologi ved både hyllevare og forskning, er å gjøre store data om til nyttige data. Bilder og tilhørende data slik de lagres i PACS i dag er ikke direkte anvendbare for KI, men krever derimot en del tilpasninger som i seg selv betinger ny løsningsdesign, tekniske ressurser, og ikke minst kompetanse hos systemeier. Av mer prosaisk karakter viser det seg også at flytting og lagring av store datamengder er praktisk utfordrende. En løsning på dette er å bruke såkalt ‘føderert læring’ hvor dataene forblir i de systemene som allerede finnes (PACS), mens KI- modellen flyttes rundt mellom ulike sentra. I praksis betyr dette at kun en liten kodesnutt sendes rundt og oppdateres lokalt ved å endre på modellens ‘vektinger’ eller grensebetingelser. Denne tankegangen tas nå enda et steg lenger hvor også vi innen radiologi lærer av populære språkmodeller som Chat-GPT. Læringsprinsippet bak disse språkmodellene er såkalt fundamentmodeller, hvor KI først brukes til ‘kun’ å lære hva som er unikt for et språk versus et annet, og dernest raffinere denne modellen til å bli bedre i språket. I radiologiens verden kan dette overføres til en fundamentmodell som bare har som oppgave å lære hva et MR-bilde er, uten å bry seg om eventuell sykdom. En ny og mindre modell på toppen av denne vil da kunne konsentrere seg om å lære hva som er unik med en spesiell sykdom på MR-bildene. Den nye, lille ‘toppmodellen’ trenger da ikke å bruke unødvendige ressurser på grunnleggende læring om bildet. Dette reduserer både antall frihetsgrader i toppmodellen og kan redusere behovet for store mengder læringsdata. I tillegg til alt det praktiske omkring stordata må en kompleks organisasjon som et universitetssykehus også få en ny kulturforståelse for KI-bruk som passer den nye arbeidshverdagen. Heldigvis gjennomføres det nå et godt og viktig arbeid i regi av helseregionene med mål om å bredde ut kompetansen Mens vi venter på morgendagen – om innføringen av kunstig intelligens for radiologi på Oslo universitetssykehus Det er noen aksepterte ‘sannheter’ om stordata innen helse, og radiologi og nukleærmedisin spesielt. Allerede for 10 år siden viste forskere fra Mayoklinikken (USA) at en radiolog må undersøke et nytt bilde omtrent hvert sekund gjennom en hel arbeidsdag for å holde tritt med den økende arbeidsmengden. På toppen av dette viser nye tall fra OECD at så mye som 97 prosent av alle helsedata aldri gjenbrukes. Den kontinuerlige opphopningen av data på toppen av en stadig trangere sykehusøkonomi er oppskrift på et system som umulig kan forvaltes av mennesker alene. Av Kyrre Eeg Emblem, PhD, avdelingsleder, Avdeling for fysikk og bildeanalyse, Oslo universitetssykehus
RkJQdWJsaXNoZXIy MTQ3Mzgy