Mens vi venter på morgendagen – om innføringen av kunstig intelligens for radiologi på Oslo universitetssykehus

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 og kulturforståelsen omkring KI for klinisk diagnostikk nasjonalt. Her vil vi alle kunne dra nytte av oppdaterte anbudsrutiner med opsjonsavtaler for KI-løsninger innen både radiologi og digital patologi.

Kunstig intelligens brukes allerede

Nyhetsinteressen rundt KI-bruk innen radiologi har stort sett omhandlet ren etterbehandling av bildene. Dette er et naturlig utgangspunkt all den tid høykompetente ansatte koster sykehusene så mye at de bør utføre arbeidsoppgaver hvor de kan bruke sin ekspertise best. Et element i KI-innføringen som nok går mer under radaren er de stadige, små eller større oppgraderingene fra leverandørene av radiologisk utstyr. Her er det ikke nødvendigvis snakk om spektakulære sluttresultater til ny og direkte gevinst i pasientbehandlingen, men derimot mindre justeringer og forbedringer som over tid kan ha vel så mye å si for radiologens- og klinikers hverdag.

Et sted hvor KI-bruken har vært reell en god stund allerede omhandler hvordan bildene først samles inn. For en MR-maskin er det nødvendig å skape et så homogent magnetfelt som mulig før et bildeopptak. Her kan det være små, lokale variasjoner i magnetfeltet som reduserer bildekvaliteten – og hvor KI nå brukes til å minimere denne usikkerheten og dermed optimalisere bilde. Et annet eksempel er raskere bildeopptak, hvor KI-modeller trent på store mengder retrospektive data brukes til å gjenskape fullstendige bilder ved effektivt å kun bli presentert for deler av bildesignalet. Dette sparer tid på skanner og gjør at pasientundersøkelsen går raskere. Et tredje eksempel er øyeblikkelige korrigeringer av bildeopptaket i sanntid som følge av uønsket pasientbevegelse, og hvor potensialet er stort for blant annet barn.

Nye veier til målet

Et oppsiktsvekkende – og kanskje skremmende – scenario som nå har opp- stått er muligheten til å hoppe over selve det radiologiske bilde slik vi kjenner det. Helt siden Anna Bertha Ludwig ‘så sin egen død!’ i røntgenbilde hennes mann Wilhelm C. Röntgen tok av Annas ­ hånd den 22. desember 1895, har vi ­jaktet stadig skarpere bilder med ­korrekt anatomisk fremstilling. Utgangspunktet her har hele tiden vært at en ekspert, et menneske, skal vurdere bildet med best mulig forutsetninger. Derfor har fagfolk like lenge brukt matematikk til å omforme råsignalet fra maskinen til et mest mulig optimalt anatomisk bilde. For å utføre denne omformingen i praksis blir deler av råsignalet ikke benyttet fullt ut. I noen tilfeller vil så mye som halvparten av råsignalet forbli ubenyttet.

Skal isteden en maskin gjøre denne vurderingen, er det ikke lenger noe poeng at bilde er ‘pent’ i våre øyne for å kunne beskrive anatomien eller en sykdomstilstand. En KI-modell ønsker derimot mest mulig relevant data som beskriver objektet så presist som mulig. Et utfall av dette er at sykdommen kan diagnostiseres direkte på skanner uten den ‘unødvendige’ omveien via det radiologiske bilde.

Vi kan like denne utviklingen eller ikke, men den skjer. Det vil nok heldigvis ikke bli slutt på å lage bilder for oss mennesker, men vi må samtidig forholde oss til den virkelighet – og mulighet – som KI her presenterer som beslutningsstøtte. Dette vil også medføre at mye av den KI-forskningen som nå utføres på tradisjonelle bilder flyttes over i det mer abstrakte og ‘usynlige’ rom. Å forstå et slikt paradigmeskifte blir igjen svært viktig, særlig med tanke på at beslutninger vil tas på et datagrunnlag vi vanskelig kan se og forstå. Vi på Oslo Universitetssykehus har vurdert at det er bedre å være på inn­siden av denne utviklingen enn å stå utenfor for å kun passivt motta sluttproduktet. Vi er derfor med på et ­større europeisk forskningsprosjekt hvis mål er å se hvilke muligheter og begrensninger ‘radiologi uten bilder’ vil gi. •