Radiograf Roger Barndon demonstrerer styrken til et magnetfelt på 3 tesla med en fastnøkkel i et tau.
Radiograf Roger Barndon demonstrerer styrken til et magnetfelt på 3 tesla med en fastnøkkel i et tau. (Foto: Marius Valle)
EKSTRA

Maskinlæring i medisin

Nytt norsk senter lærer datamaskiner å stille diagnose på sekunder

Skal trene maskiner til å vurdere medisinske bilder.

Hei, dette er en Ekstra-sak som noen har delt med deg.
Lyst til å lese mer? Få fri tilgang for kun 199,- i måneden.
Bli Ekstra-abonnent »

Se for deg at du er på sykehuset og skal til en MR-undersøkelse. Du er bekymret for hva bildene vil vise.

Når undersøkelsen gjennomført, må du kanskje vente flere dager på resultatet. For en som kjenner på en bekymring for hva bildene vil vise, kan det kjennes som lang tid.

I en ikke altfor fjern fremtid kan svaret på undersøkelsen komme mens du fremdeles er på sykehuset.

Ventetid på svar handler ofte om at bildene skal analyseres av en radiolog. En enkelt undersøkelse kan generere flere tusen bilder. Det er klart at dette kan ta tid.

Forsker på maskinlæring

Det jobbes nå med å flette maskinlæring inn i denne prosessen. Et nytt forskningssenter ved Haukeland universitetssykehus jobber blant annet med dette.

På sikt vil tolkning av bildeundersøkelser kunne gjøres på sekunder av maskiner, hvor en radiolog nå bruker flere timer.

Senteret, kalt Mohn Medical Imaging and Visualization Centre (MMIV), ble åpnet mandag, og er et samarbeid mellom Universitetet i Bergen og Helse Bergen, støttet av Bergens Forskningsstiftelse.

Bilder fra MR-maskinen vises på skjermene i kontrollrommet. I fremtiden kan resultater fra diagnosestøttesystemet vises her.
Bilder fra MR-maskinen vises på skjermene i kontrollrommet. I fremtiden kan resultater fra diagnosestøttesystemet vises her. Foto: Marius Valle

Senteret skal være et samlingssted for en rekke ulike fagmiljøer innen databehandling, psykologi, medisin, og er lokalisert i Radiologisk avdeling på sykehuset.

– Resultatet av dette kan bli kjempespennende. Vi kan knytte store forventninger til det som skal komme lenger fremme, sier administrerende direktør i Helse Bergen, Eivind Hansen.

Tre forskningsprosjekter settes i gang ved senteret: Interaktiv visualisering, kreftavbilding og maskinlæring.

Dyp læring

Av de tre er det særlig maskinlæring som knytter ulike fagmiljøer sammen. Her er målet å bruke dyp læring til å kjenne igjen ulike tilstander ved å analysere bilder.

Medisinsk avbildning, som MR er, gir store mengder data med mye informasjon. Det kan være konkrete forhold, som en tumor eller en flekk, eller mer subtile mønstre. Radiologer må derfor tolke bildene.

Riktig diagnose er avhengig av at den som tolker bildet har solid kompetanse. Målet er at maskinlæring skal bidra til at mønstre som ikke er åpenbare oppdages lettere, og ikke minst at det går raskere.

Ekstremt kraftig verktøy

Professor i radiologi ved den amerikanske Mayo-klinikken Bradley Erickson, forklarer at det er en bekymring for at dette betyr slutten for radiologer. For ifølge ham kommer maskinlæring til å gjøre en bedre jobb med bildeanalyse enn radiologer.

Professor i radiologi ved den amerikanske Mayo-klinikken Bradley Erickson.
Professor i radiologi ved den amerikanske Mayo-klinikken Bradley Erickson. Foto: Marius Valle

Erickson anses som en av verdens mest innflytelsesrike fagpersoner innen maskinlæring i medisin.

Han tror vi i dag bare begynner å se potensialet maskinlæring og dyp læring har i medisinen. 

– Det er et ekstremt kraftig verktøy som kan anvendes på mange forskjellige problemer, og de neste fem til ti årene kommer til å være en eksplosjon av forskjellige verktøy som kommer på markedet, sier Erickson til Teknisk Ukeblad.

Han forklarer at teknologien i dag er veldig god til å finne spesifikke problemer, og at enkelte undersøkelser bare er utformet for å avdekke én tilstand, som for eksempel at mammografi brukes til å se etter brystkreft. 

Andre undersøkelser, som lungerøntgen, kan avdekke en rekke ulike tilstander, enten det er lungekreft, brystbeinsbrudd eller alt imellom.

Gode på spesifikke oppgaver

I dag er algoritmene som brukes i maskinlæring veldig gode på å finne en spesifikk ting de er trent opp til å se etter. Det er en utfordring.

– Måten vi tenker rundt teknologien nå er at vi trenger hundrevis av disse algoritmene for å se etter hver spesifikke ting. Potensialet er at folk de neste fem til ti årene forhåpentligvis begynner å bygge verktøy som kan se etter de mange ulike funnene som kan finnes, sier han.

Han forklarer at det er enkelt for en  trent radiolog å vurdere om et røntgenbilde ser normalt ut. For algoritmene er dette derimot et stort problem.

Radiograf Roger Barndon demonstrerer styrken til et magnetfelt på 3 tesla med en fastnøkkel i et tau.
Radiograf Roger Barndon demonstrerer styrken til et magnetfelt på 3 tesla med en fastnøkkel i et tau. Foto: Marius Valle

Potensialet de neste årene er at teknologien utvikler seg slik at de kan avgjøre hvilke avbildninger som er innenfor et normal-intervall. Da trenger ikke mennesker bruke tid på å studere gamle beinbrudd eller andre uviktige funn.

Da kan radiologen heller bruke tiden sin på å studere de mer komplekse funnene.

Mer tid til behandling, og mindre til dataanalyse, med andre ord. Og ingen umiddelbar fare for at datamaskinene skal erstatte helsepersonell, som radiologer.

Tillitt til «den svarte boksen»

En utfordring med dyp læring er at det ikke nødvendigvis er åpenbart hvorfor algoritmen har tatt den avgjørelsen den har tatt. Det handler om hvor stor tillitt man har til det som kommer ut av «den svarte boksen».

For kan vi egentlig stole på at det stemmer at det ikke er noe unormalt i røntgenbildet ditt når maskinen sier det? Erickson er usikker.

– Siden vi i dag ikke har teknikken som sier hva som er et normalt røntgenbilde er det vanskelig for meg å vite hvordan vi kan overbevise oss selv om at den fant et normalt lungerøntgen. Det må fremdeles avgjøres. Men i tilfeller hvor du leter etter noe spesifikt, tror jeg teknologien begynner å bli tilgjengelig.

I det store bildet er det ikke engang nødvendigvis kritisk om maskinene av og til tar feil avgjørelse. De trenger ikke være perfekte. 

– Det kommer de nok aldri til å bli. Men om de er bedre enn mennesker er det en forbedring. Det er som med selvkjørende biler. Om de er bedre enn mennesker, men er i en ulykke hver milliard kilometer, er det ikke da bedre å ha selvkjørende biler om mennesker er i en ulykke hver million kilometer?

Tett tilknytning

Ved forskningssenteret i Bergen er man ikke helt der at dyp læring stiller diagnoser. Men den tette tilknytningen til sykehuset vil gjøre at forskningen vil ha en plass i den kliniske arbeidsflyten ved sykehuset.

Lederen for MMIV-senteret, Renate Grüner, forklarer at det spennende er at dette skjer i radiologiavdelingen ved sykehuset, der radiologer, alt det tunge bildedannende utstyret og  alle data er samlet her.

Inntegnede nyrer på MR-bilder.
Inntegnede nyrer på MR-bilder. Foto: Marius Valle

Når det gjennom senteret nå også trekkes inn eksperter i dyp læring med realfaglig bakgrunn, men også basalforskere innen medisin og biologi og psykologi, åpner det for at man ikke bare kan gå dypt inn i de bildedata som finnes.

Det kan også innlemmes andre aspekter i analysene, som informasjon fra vevsprøver eller genetisk informasjon. I tillegg kan informasjon om mer eksterne forhold som demografi og sosioøkonomiske faktorer tas med, forklarer Grüner.

Et godt utgangspunkt for forskningen er å forske på allerede eksisterende bildeopptak i radiologisk avdeling og bruke disse som treningsdatasett til å lære opp datamaskiner.

– Ved radiologisk avdeling gjør vi rundt 300.000 medisinske undersøkelser i året, og hver av disse genererer mellom ett og 50.000 bilder, så det er allerede en enorm database der som har vokst over mange år. Bruken av bildene i forskningen skal selvsagt foregå i tråd med de etiske retningslinjene som finnes, men å ha denne kilden og mengden med informasjon er alltid et bra sted å starte for forskningen innen dyp læring, sier Grüner.

I tillegg kommer nye muligheter, siden avbildningsteknologien stadig er i endring og tilbyr nye mål utover det å lage et geometrisk bilde av innsiden.

Det kan for eksempel være å måle blodforsyningen til en kreftsvulst eller hvilke kjemiske stoffer den er sammensatt av.

Dette åpner ifølge Grüner for mer raffinerte analyser med dyp læring. Her er det også gode muligheter for prospektive studier der man følger pasienten over tid og gjennom behandlinger.

Bruker fem sekunder

Dyp læring er en form for maskinlæring som kort sagt innebærer å trene datamaskiner til å bli i stand til å løse oppgaver. I stedet for at oppgaven læres gjennom programmering, viser man maskinen store mengder eksempler med fasit, til den selv finner ut hvordan oppgaven kan løses.

– Et viktig prosjekt for oss er å finne nyrene i tredimensjonale MR-bilder. Det er et vanskelig problem, fordi de ligner veldig på andre organer som ligger rundt, og det er vanskelig å lage regler som automatisk kan finne dem, sier Alexander Selvikvåg Lundervold, førsteamanuensis ved Institutt for data- og realfag ved Høgskulen på Vestlandet. 

Alexander Selvikvåg Lundervold, førsteamanuensis ved Institutt for data- og realfag ved Høgskulen på Vestlandet.
Alexander Selvikvåg Lundervold, førsteamanuensis ved Institutt for data- og realfag ved Høgskulen på Vestlandet. Foto: Marius Valle

Han forklarer at de for hånd tegner nyrene i MR-data, og deretter trener et dypt nevralt nettverk til å gjøre denne jobben selv. Maskinen blir da i stand til å gjøre oppgaven på egen hånd i MR-bilder den aldri før har sett.

– Den algoritmen vi jobber med bruker fem sekunder på et 3D-volum for å finne høyre og venstre nyre, hvor vi for hånd i alle fall bruker en halvtime, forklarer Lundervold.

De har også utviklet en metode for å automatisk lokalisere en rekke regioner i hjernen i MR-bilder.

De tradisjonelle metodene bruker omtrent seks timer på denne jobben, mens maskinlæringsmetoden bruker rundt 45 sekunder.

Kan undersøke mens pasienten er der

I prinsippet åpner det for at man kan gjøre videre undersøkelser mens pasienten er der.

Den samme teknikken kan brukes på for eksempel bilder av føflekker for å diagnostisere kreft på nivå med de beste hudlegene.

– Det er denne typen ting vi jobber med å gjøre i stor bredde her på senteret. Å bidra til utviklingen av en ny generasjon av diagnosestøttesystemer. Dette er en tilnærming som er mye kraftigere enn tidligere systemer, så lenge man har mye data å trene på, sier Lundervold.

At senteret er samlet ved radiologisk avdeling på sykehuset er viktig i seg selv. Det er der dataene genereres, og data er nøkkelen til å trene algoritmene. I tillegg finnes det databaser med tilgjengelig data på nettet.

Han forklarer at det rører seg mye på dette feltet i verden i dag, og at det er lignende prosjekter ved andre fagmiljøer i Norge. 

Grafikkprosessorer

Selv om senteret først ble offisielt åpnet denne uken, startet prosjektet formelt i februar i år. Forskningen er godt i gang. 

– Du kan angripe en hvilken som helst form for bildedata med lignende teknikker. Det er et veldig stort nedslagsfelt i denne teknologien, og vi svømmer over av data, sier Lundervold.

Foreløpig er det ingen stor maskinpark tilgjengelig til prosjektet. De har kjøpt inn litt maskinvare, og skal skalere opp fremover.

Det handler i praksis om å kjøpe inn kraftige grafikkprosessorer, eller GPU-er. Altså grafikkort som i en PC brukes til å kjøre for eksempel spill.

– Du kommer langt med standard gaming-kort, som vi har brukt mye. Vi skal nå gå opp en klasse eller to, men i forhold til MR-maskiner er disse utgiftene ingenting. Det handler mer om å få tak i nok folk som kan ta imot det store antallet prosjekter som kommer inn, sier han.

Omtrent halvparten av de som jobber i prosjektet har realfaglig bakgrunn, mens resten stort sett har klinisk bakgrunn.

– Det er viktig at det ikke bare er tekniske folk som sitter på et kontor og lager snedige algoritmer for medisinske bilder som er ubrukelige i virkeligheten. Vi vil at det faktisk skal være nyttig, og da må du arbeide tett med radiologene, sier Lundervold.

Kommentarer (0)

Kommentarer (0)