Leger kan være superdyktige og påpasselige i sitt arbeid, men likevel overse små indre skader når de undersøker pasientens mage- og tarmsystem. Dataingeniøren Konstantin Pogorelov på Simula Research Laboratory mente at det var rom for betydelige forbedringer. Så han utviklet DeepEir, et medisinsk multimediasystem for å oppdage og lokalisere uregelmessigheter og tegn på sykdom i fordøyelsessystemet.
– Egentlig dreier det seg om datakraft. Mitt doktorgradsprosjekt handlet opprinnelig om å skaffe tilstrekkelig prosesseringskraft til å bearbeide og analysere enorme datamengder på kort tid, noe som ellers tar uker og måneder. Da jeg var kommet i gang, så jeg behovet for å finne et bruksområde der denne datakraften faktisk kan løse problemer i hverdagen.
Dette forteller Konstantin Pogorelov, som hadde jobbet med skybaserte robotsystemer i hjemlandet Russland i flere år, men var på utkikk etter nye og større utfordringer. Så fant han en annonse fra Simula Research Laboratory på Fornebu utenfor Oslo, som søkte etter en doktorgradsstipendiat. I november 2019 forsvarte han doktoravhandlingen sin ved Institutt for informatikk på UiO. Han tok sin russiske doktorgrad allerede da han var 26 år gammel.
De virkelig store oppgavene
Pogorelov har ti års erfaring med å undervise i ulike programmeringsspråk. Han har vært med på å utvikle avanserte robotsystemer for bruk i industriproduksjon og kjernekraftverk. Han har jobbet mye med distribuerte systemer, bestående av inntil hundre samarbeidende noder (knutepunkter).
– Når du utvikler programvare, kan du gå fram på to ulike måter. Du kan selv kode og bygge alt fra bunnen. Eller du kan benytte deg av frameworks, som er datasett som tilbyr generell funksjonalitet av ulike slag, forklarer Pogorelov.
Ved å basere seg på frameworks er det mulig å utvikle avanserte, distribuerte løsninger på plattformer som består av en rekke noder koblet sammen i klynge.
– Min drøm var å lage nettopp dette, et system som andre kan ta i bruk for de virkelig store oppgavene. Jeg trengte rett og slett en utfordring for å teste systemet, et praktisk bruksområde, og da ble medisin det naturlige valget, siden den medisinske forskningen hele tiden søker å finne svar på nye og viktige spørsmål. Dessuten er min kone erfaren patolog, så hun vet mye om medisinske spørsmål. Dermed falt valget på det gastro-intestinale systemet hos mennesket, altså vårt mage- og tarmsystem.
Kamera i halsen
For å undersøke fordøyelsessystemet brukes i første rekke ulike former for endoskopi, som innebærer å føre et langt, fleksibelt rør utstyrt med videokamera ned i halsen eller gjennom endetarmen. Det mest avanserte er trådløst kapselendoskop, som består av et bittelite kamera bygget inn i en kapsel på størrelse med en vitaminpille. Når denne svelges og sakte beveger seg gjennom mage- og tarmsystemet, overføres tusenvis av bilder til en enhet som er festet på kroppen.
Dette er altså levende bilder, video i sanntid, noe som innebærer at legene kan gjøre mye mer detaljerte og omfattende undersøkelser enn MR og CT. Men dynamisk informasjon innebærer også helt andre datamengder – og dermed utfordringer med å gjøre om dataene til forståelig og nyttig informasjon for legen.
Det er på dette området at Pogorelov har lagt ned det aller meste av sin innsats. Han bruker standard metoder for Computer Vision, det vil si innhente, bearbeide og analysere bildedata. Så kombinerer han dette med Convolutional Neural Networks (CNN), Generative Adversarial Networks (GAN), kunstig intelligens (AI), dyp læring, og resultatet blir – etter noen år med programmering, eksperimentering, prøving og feiling og noen runder med grensesnittdesign – til DeepEIR.
EU-rapport: Mer energi må flyte over grensene
Krevende maskinlæring
Konstantin Pogorelov sliter litt med å forklare hvor mye som kreves for å utvikle noe slikt. Eller kanskje er det Titan-journalisten som synes det er vanskelig å forstå. Vi er jo vant til å søke etter bilder via Google og tar det for gitt at vi får opp resultatene i løpet av tidels sekunder. Vi glemmer da hvilke enorme utviklingsressurser som er investert og hvordan tusenvis av noder samarbeider for å hente inn og vise innholdet på null komma niks.
– For oss kan det ta en eller to uker å kjøre ett eksperiment med bildegjenkjenning på én maskin. Det sier noe om hvor mye datakraft som trengs. Hvis vi da har gjort en liten programmeringsfeil, går det minst én uke til. Derfor har jeg vært opptatt av å utvikle metoder for å få ulike systemer til å samarbeide, at det må skje raskt og at datakapasiteten utnyttes mest mulig effektivt, sier Pogorelov.
– Som i eksemplet med undersøkelse av fordøyelses- og tarmsystemet, vil legen trenge å lese av resultatene i sanntid. Da er det avgjørende å få opp bilder som er høyoppløste nok til å kunne skille polypper og lesjoner fra ufarlige flekker og tilfeldige skygger i bildet.
For å få det til å fungere i praksis, må systemene lære å kjenne igjen hva som er hva, og denne maskinlæringen krever enormt mye tid og datakraft.
Et ekstra øye for legene
– Etter å ha jobbet med dette i årevis, var det en fantastisk tilfredsstillelse å oppleve at DeepEIR faktisk fungerte. Det gikk raskt, nøyaktighet og presisjon var på topp, og alt klaffet. Det var et stort øyeblikk, for da forsto jeg at vi faktisk kan hjelpe legene og tilby dem et ekstra øye.
Det spesielle med DeepEIR er at det er et omfattende og helhetlig system som tar seg av en rekke oppgaver – fra å hente inn data og bearbeide og analysere dem til å fremstille og presentere resultatene. De fleste kollegene på Simula konsentrerer seg om ett enkelt område eller én del av prosessen. Pogorelov er derfor stolt av å ha utviklet det han kaller et holistisk multimediasystem.
– Dessuten er jeg fornøyd med at vi har publisert en lang rekke av våre datasett i open source (med åpen kildekode), slik at andre forskere får tilgang til sårt tiltrengt medisinsk informasjon.
Inviterer Norge til å utvikle atomkraftverk – skal bli Europas nye industri
Oppdager skogbrann fra verdensrommet
Nye medisinske metoder må gjennomtestes og dokumenteres, på lignende måte som medisiner, før de kan tas i bruk i pasientbehandlingen. Prosessen er i gang, men det vil trolig ta ganske lang tid før DeepEIR kan brukes på sykehusene.
Derfor vil vi kanskje oppleve at Pogorelovs nye metodikk blir tatt i bruk på et annet område først. Da beveger vi oss fra kroppens indre til jordens ytre. Satellitter brukt til å overvåke naturkatastrofer og skogbranner er nemlig et aktuelt bruksområde.
Det var en viktig oppdagelse, og et eureka-øyeblikk, da Pogorelov og kollegene forsto at den samme teknologien som brukes i DeepEIR fungerer på satellittbilder. Han håper å kunne bidra til at skogbranner og flommer i avsidesliggende områder kan oppdages raskere enn i dag, noe som kan få store følger for både miljøet og menneskers overlevelse.
Kan avsløre deep fake
Nok et mulig bruksområde er å skjelne falske fra ekte bilder. Såkalte deep-fake bilder blir stadig mer utbredt og kan være umulige for det menneskelige øyet å avsløre.
– I en stadig mer komplisert verden, der ulike krefter forsøker å manipulere informasjonen vi mottar, er det vårt ultimate mål å hjelpe mennesker og maskiner med å skille det falske fra det ekte.
– Hva driver deg?
– Jeg har en indre drivkraft. Jeg synes det er spennende å forske seg fram til svar på komplekse problemer. Men det handler også om at jeg ønsker å bidra til å løse noen av vår tids store utfordringer. Og det er jo fantastisk hvis flere kan overleve dødelige sykdommer og naturkatastrofer.
23 norske aktører ber EU presse Norge til å innføre direktiv om energieffektivisering
Artikkelen ble først publisert på titan.uio.no.
