Medicinsk teknik
De synar hajpen kring AI i bilddiagnostiken
Publicerad: 25 april 2017, 08:15
”Just nu har vi väldigt höga förväntningar och på vilken nivå de kommer att infrias vet vi inte i dag. Det är därför det är en hajp, vi har en hög grad av osäkerhet”, säger Daniel Forsberg, här med Jesper Molin.
Artificiell intelligens kommer att förändra bilddiagnostiken. Men hur?
Ämnen i artikeln:
VitalisGenom åren har man sett hur automatisering på olika sätt har ersatt yrken och gjort att de har försvunnit.
– Vi ställer oss den inledande frågan: Går bilddiagnostikern samma öde till mötes? säger Daniel Forsberg, doktor i medicinsk informatik vid Linköpings universitet och forskare vid medicinteknikföretaget Sectra, till Dagens Medicin.
I dag, tisdag, håller han och Sectrakollegan Jesper Molin det första seminariet på årets Vitalismässa. Fokus är att förstå, och försöka bena ut, hajpen kring artificiell intelligens, AI, och självlärande maskiner, machine learning, när det kommer till bilddiagnostik.
Men att dagens radiologer och patologer snart skulle stå utan jobb till förmån för självlärande digital teknik är dock inte sannolikt. Enligt Daniel Forsberg är dagens AI-teknik för smal.
– De moduler och algoritmer vi kan träna upp kan lösa en ofta väldigt avgränsad uppgift. Även om de kan lösa den väldigt bra.
Ett annat hinder är att tekniken behöver förses med stora mängder data för att lära sig och att forskarna sedan dessutom har svårt att se vad det egentligen är som algoritmerna gör.
Och så måste tekniken vara användarvänlig.
När den nya tekniken ska ersätta en liten komponent i en radiologs eller patologs vardag måste det ske utan att tröskeln för den nya teknikens nytta blir för hög. Daniel Forsberg liknar det vid de röstigenkänningsprodukter som erbjuds via Google och Apple. För två tre år sedan fungerande de till en viss del, men krävde fortfarande en hel del manuell handpåläggning.
– I dag ligger de på en nivå där man känner att man tjänar på att använda dem, säger Daniel Forsberg.
Detsamma gäller för bilddiagnostiken. Även om prestandan inte alltid är 100 procent kan den nya tekniken lösa vissa, ofta enformiga, moment så att läkarna kan lägga tid på uppgifter där deras kunskap ger större utväxling. Och utan att arbetsrytmen kommer i otakt. För patologen kan det handla om att tekniken räknar celler för en speciell infärgning och för radiologen att den markerar enskilda ryggkotor i en MR-bild.
När den nya tekniken har lärt sig så mycket att den helt fristående kan granska ett fall är det nog få, om ens någon, som kan säga, enligt Daniel Forsberg.
– Men inom en femårsperiod kommer vi att se ett antal olika av de väldigt smala machinelearning-modulerna i bilddiagnostikernas vardag, vare sig du är radiolog eller patolog.