Skip to main content
Start » Cancerbehandling » Fyra utmaningar för att AI ska vinna mark inom medicinsk avbildningsteknik
Sponsrad

Dr. Christian Stoeckigt, Head of Scientific Affairs & Medical Education på Hologic, menar att det ännu återstår ett antal utmaningar för att AI i medicinsk bildbehandling ska nå sin fulla potential.

På senare år har vi sett allt fler och större genombrott inom tillämpningen av artificiell intelligens, AI, inom medicinsk avbildningsteknik. Det gäller exempelvis AI-stödd utvärdering av digitaliserade bilder vid mammografi och detektion av tumörceller i prostatavävnad, men också digital cytologi vid screening för livmoderhalscancer. Microsoft har utvecklat tekniker för maskininlärning som hjälper kliniker att planera strålbehandling 13 gånger snabbare[1], medan Google Health har gjort stora framsteg med AI-verktyg både för att förutsäga tillstånd som hotar synen och för att förbättra upptäckten av lungcancer[2] – exempel som visar hur AI kan möjliggöra transformativ diagnostik.

1. Skapa acceptans bland patienter

Ökad kunskap om AI och dess positiva effekter på vården är avgörande för att patienter ska kunna godta AI som en del i deras diagnostisering. Christian Stoeckigt menar att de som arbetar inom vården kan spela en viktig roll genom att informera patienter om, till exempel, hur AI-stödd diagnostik kan bidra till snabbare och säkrare resultat.

2. Bygga tillit inom kliniken


Att samarbeta med radiologer, patologer och cytodiagnostiker kommer att vara avgörande. Kliniker spelar en central roll genom att identifiera ovanliga fall och exponera dessa för algoritmen så att den kontinuerligt kan fortsätta att förfinas. I gengäld kommer klinikerna successivt att få större förtroende för resultaten som AI förser dem med. En av våra kunder, ett laboratorium i Tyskland, testade den AI-styrda diagnostiken med ett mikrokarcinom. På bara några minuter hade algoritmen identifierat ett litet antal onormala celler som inte upptäckts med konventionell teknik – vilket ytterligare stärkte klinikernas förtroende för systemet.

3. Klara och tydliga regler

De flesta experter på området är överens om att vi behöver större tydlighet och samförstånd från regeringar världen över för att besluta om en reglerande strategi för AI. Ett av de största genombrotten på senare tid var den amerikanska läkemedelsmyndigheten FDA:s förändrade regelverk och hur detta tar sig an AI, något som ger mer vägledning om hur AI-system kan tränas. Detta är en välkommen förändring som många av oss som arbetar inom AI-området gärna skulle vilja se i andra regioner.

4. Ett skyddande ramverk

Det är en realitet att människor begår misstag, men vi måste också överväga vad som händer när AI är inblandat i feldiagnoser och navigera i frågor om ansvarsskyldighet. Vi behöver en multidisciplinär arbetsgrupp av cytologer, radiologer, onkologer, kliniker och experter inom etik och IT som kan ta fram protokoll för att skydda AI-systemen.

Vad händer härnäst?

När dessa fyra områden hanterats grundligt kommer vi att se en bredare användning av AI-driven diagnostik. AI har kraften att leverera mer effektivt triage av patienter så att de snabbare får den vård de behöver, och mer individualiserad behandling för bättre patientresultat. Ännu mer spännande är prognostiken, där AI kommer att kunna förutsäga vilka personer som är mer benägna att utveckla vissa cancerformer. Det är innovationer av detta slag som stimulerar vår forskning – och som kan rädda ännu fler liv.

Referenser
  1. Oktay O, Schwaighofer A, Carter D, Bristow M, Alvarez-Valle J, Nori A, Microsoft Research blog [Internet]. Cambridge: 2020 Nov 30 [cited 2021 Jun 17]. Available from: https://www.microsoft.com/en-us/research/blog/project-innereye-evaluation-shows-how-ai-can-augment-and-accelerate-clinicians-ability-to-perform-radiotherapy-planning-13-times-faster. Accessed 30 June 2021
  2. Google Health. AI-enabled diagnostics previously thought impossible [Internet]. Mountain View: Google [cited 2021 Jun 17] Available from: https://health.google/health-research/imaging-and-diagnostics/. Accessed 30 June 2021
Next article