Et teknologisk paradigmeskifte

Denne avhandlingen, som tar for seg KI/dyplæring som metod for gradering og lokalisering av hjernesvulster ut fra MR-bilder, kan også representere en gløtt inn i fremtiden for helsevesenet.

Til nå har diskusjonene omkring KI i stor grad vært dominert av spørsmål rundt tekstgenerering, fusk og etiske problemstillinger knyttet til såkalte «chat-bots». Men det har skjedd en voldsom utvikling innen medisinsk KI de senere år, og det er på tide å rette blikket mot det enorme potensialet KI har innenfor blant annet medisinsk bildeanalyse.

Radiologiske bilder er helt sentrale i diagnostikk og behandlingsplanlegging av hjernesvulster og andre sykdommer. Imidlertid er disse bildene svært komplekse. En MR-undersøkelse består ikke bare av én enkelt bildeserie, men et spekter av bildeserier (også kalt bildevektinger). Hver av disse bildeseriene uttrykker ulike sider av vevenes egenskaper. Man kan faktisk sammenligne en MR-undersøkelse med et symfoniorkester hvor hvert instrument tilsvarer én bildeserie: du behøver mange ulike bildeserier for å få frem den fulle og nyanserte harmoniske klangen i symfonien. Samtidig krever det å tolke slike MR-bilder både tid og erfaring. Ettersom få leger har evne til å simultant forholde seg til alle pasientens MR-serier samtidig, må man nøye se gjennom dem én og én. Det å lytte til en symfoni ett instrument om gangen er mulig – men man mister musikken i det. Trente KI-modeller har derimot en matematisk tilnærming til bildematerialet, og kan derfor sammenstille informasjon i de ulike bildeseriene i én analyse. KI lytter til orkesteret som helhet og kan transkribere notene. På denne måten kan vi oppnå et mer nyansert innblikk i hva summen av bildeseriene forteller, og legen får et bedre grunnlag for å vurdere bildematerialets medisinske betydning.

René Magrittes ikoniske maleri The Treachery of Images (1929) advarer oss imidlertid om faren ved å forveksle bilder med virkelighet. «Dette er ikke en pipe», står det under bildet av en pipe. Banalt, men sant – og faktisk også gyldig innen radiologi. MR-bilder viser representasjoner av kroppen, men det du ser er ikke kroppen. Gråtonene representerer snarere karakteristikkene til kroppens ulike vev. Fordi de ulike vevene har ulik molekylær komposisjon, uttrykker de også ulike egenskaper under påvirkning av et magnetfelt – og avgir ulike signaler under avbildningen. For å imøtekomme menneskers visuelle persepsjon blir signalene så omkodet til et spekter av gråtonenyanser. Ved utredning av hjernesvulster legges det stor vekt på det radiologiske bildematerialet, men vi må likevel sammenholde bildedata med annen medisinsk informasjon. Kliniske symptomer, molekylær patologi samt demografiske- og genetiske variabler er faktorer som legges til grunn for diagnose og behandling. Men det finnes fortsatt kunnskapshull rundt hvordan, og i hvilken grad, de ulike faktorene påvirker hverandre. Også her kan KI presentere et mulighetsrom: maskinlæring kan finne mønstre fra gode – og mindre gode – erfaringer fra tidligere pasienter i relasjon til deres karakteristikker. Målet er å sette tidligere erfaringer i system på en slik måte at det peker ut den mest optimale behandlingen for nye, lignende, pasienter. Høyere sensitivitet og spesifisitet i diagnostikk og behandlingsplanlegging avler treffsikkerhet og effektivitet i pasientens behandling.

KI har allerede vist seg å ha konkrete positive effekter innen kreftbehandling. I 2023 kunne Kreftavdelingen på Haukeland Sykehus ta i bruk maskinen «Ethos», takket være en gave fra Trond Mohn. Denne avanserte CT-inntegnings- og strålemaskinen er utstyrt med KI-programvare som automatisk identifiserer og definerer kreftsvulsten samt viktige friske strukturer – med deres daglige variasjoner. Spesielt fordelaktig er dette i bekkenområdet hvor organenes posisjon varierer mye fra dag til dag. I 2024 tok samme avdeling i bruk KI-inntegning på blant annet øre-nese-hals regionen. Tidligere brukte doseplanleggere ca. to timer på å manuelt definere sårbare strukturer som svelgmuskulatur, spyttkjertler og stemmebånd – for å skjerme disse under behandlingen så godt det lar seg gjøre. Nå har denne tiden blitt redusert til manuell justering på rundt 20 minutter. Uansett metode blir alle strukturer kontrollert av en kreftlege.

I fremtiden vil vi også se at KI kan få stor betydning for utvikling av nye legemidler. For at et legemiddel skal virke må det binde seg til et protein som er relevant for sykdommen. Dagens legemidler er i all hovedsak utviklet basert på kunnskap om en svært liten del av kroppens proteiner. Utfordringen er at hvert protein har ulik tredimensjonal struktur, og det er selve strukturen som forutsetter hvordan legemiddelet må utformes for å kunne binde seg effektivt. Samtidig er proteinene så små at vi ikke kan se dem i et mikroskop. Likevel kan KI, ut fra rekkefølgen på aminosyrene, kalkulere proteinets sannsynlige tredimensjonale struktur. Dette vil gjøre det mulig å designe nye legemidler for interaksjon med spesifikke proteiner mye mer målrettet enn tidligere.

Imidlertid vet vi selvsagt at det finnes en rekke fallgruver og begrensninger knyttet til det å ta i bruk KI – også innen analyse av bilde- og pasientdata i helsevesenet. En av de mest betydelige utfordringene er risikoen for at KI-modeller – i likhet med mennesker – kan basere sine analyser på skjevheter i treningsdataene. Altså at ikke alle kombinasjoner av variabler er representert i like stor grad. Dette, som i enhver statistisk modell, kan føre til unøyaktige eller misvisende resultater, og i verste fall slå uheldig ut for mindre og sårbare grupper. Følgelig kan KI-modeller aldri prestere bedre enn kvaliteten på sine treningsdata. En begrensning på den menneskelige siden er at vi har en iboende tendens til å bli påvirket av forslag noen gir oss, såkalt bekreftelsesbias. Som ved metoder flest, fordrer derfor klok håndtering at forbrukeren har bevissthet og forståelse for verktøyets styrker og svakheter.

Fremskrittene som nå er implementert bygger på mange års forskning og utvikling. Etableringen av et eget KI-senter for medisinsk forskning ved UiBs Medisinske Fakultet understreker viktigheten av å fortsette denne innsatsen. KI har potensiale til å redusere både kostnader og karbonavtrykk ved å utnytte medisinsk informasjon mer effektivt, og dermed unngå feilbehandling og/eller rebehandling. For å oppnå dette på en bærekraftig måte, må KI som ressurs forvaltes riktig, slik at vi maksimerer nytten av all tilgjengelig data – inkludert den som ikke er synlig for det blotte øye.