Skip to main content

AI-support til lægefagligt personale

Gerardo Hermosillo Valadez | Siemens Inventors of the Year | Lifetime Achievement

Billedbehandlingsteknologier som røntgenstråler, CT-scanninger og MRI har i årtier hjulpet læger ved at levere detaljerede billeder af knogler og vævsstrukturer i patientens krop. „Alle disse teknologier giver os billeddata, der kun er nyttige sammen med en diagnose, hvis de kan tolkes korrekt. For eksempel skal nogen forstå, at den fine linje i røntgenbilledet viser, at en knogle er brudt, eller bemærke den usædvanlige masse i den store mængde data fra en MR-scanning,“ siger Gerardo Hermosillo Valadez fra Siemens Healthineers (SHS), Årets opfinder 2024 i kategorien Lifetime Achievement. „Min afdeling arbejder på AI-processer, der kan tolke medicinske billeder og derved aflaste og støtte det lægefaglige personale.“

Billedtolkning med kunstig intelligens

En mand i jakkesæt og slips står foran en bygning med et stort vindue.

Gerardo Hermosillo Valadez er Årets opfinder 2024: Hans opfindelse udvikler anatomisk intelligens

Folk er normalt meget gode til at få øje på ting på billeder. De fleste vil for eksempel finde det let at genkende rygsøjlen på røntgenbilleder - selvom billederne adskiller sig meget fra hinanden på grund af patientens forskellige stillinger, de forskellige vinkler, billedet er taget fra, store eller små knogler eller sunde vs. deformerede rygsøjler. Det kan computere kun gøre ved hjælp af kunstig intelligens - med dybtgående læring - og kun hvis de er blevet trænet med mange relevante prøver. „Sådan kan kunstig intelligens udvikle anatomisk intelligens, så den kan finde vej gennem medicinske billeder og korrekt kategorisere de forskellige knogler, organer og væv“, siger Gerado. „På samme måde kan AI lære at skelne mellem normalt og unormalt væv.“

Innovationer, der former hele SHS-produktsortimentet

Der er mange forskellige anvendelsesmuligheder for AI-drevet billedgenkendelse i den almindelige hverdag på hospitaler og i lægekonsultationer: Et system kan for eksempel lære at vise de korrekte billeddata som svar på en instruktion som „Vis højre skulderblad.“ Det kan også give automatiseret støtte til radiologiske undersøgelser, der bestemmer, hvornår det injicerede kontrastmiddel har nået det organ, der skal undersøges, og analysere billeddata for mulige patogene forandringer. Mange af de innovationer, som Gerardo har været med til at fremme, er allestedsnærværende i hele SHS-produktsortimentet.

Forskellige AI-læringsstrategier

„Kunstig intelligens er kun så god som de data, den er blevet trænet med,“ understreger Gerardo. „For at genkende tumorer i et MR-billede skal den først have lært af de tusinder af billeder af både raske og syge mennesker, som vi har stillet til rådighed for den.“ Der er tre grundlæggende tilgange til træning af AI: overvåget læring, svagt overvåget læring og selvovervåget læring. Ved overvåget læring får AI præcise oplysninger for hvert datasæt: for eksempel „Der er en tumor i øverste højre hjørne af billedet.“ Ved svagt overvåget læring gives kun et par infoetiketter: for eksempel tumor eller ingen tumor. Ved selvovervåget læring har dataene slet ingen etiketter, og AI lærer uafhængigt: for eksempel ved at skjule dele af eksisterende prøvebilleder og „gætte“, hvordan de ser ud.

Person i sort skjorte står op ad en hvid væg og holder en mørk genstand med sløret baggrund.

Hans opfindelse former hele Siemens Healthineers' produktsortiment

Alvorlig mand i sort skjorte og med en tatovering står op ad en hvid væg, delvist oplyst fra højre side

Kunstig intelligens kan lære at finde vej gennem medicinske billeder og kategorisere dem korrekt.

Næsten lige så intelligent som et anatomi-atlas

Overvåget læring er den hurtigste og mest effektive måde for AI at lære på, men det er tidskrævende og dyrt at indhente tilstrækkelige træningsdata, der tager højde for alle relevante aspekter. Selvovervåget læring kræver mest læringstid, men her kan AI arbejde selvstændigt uden dyr datamærkning. „Vi har i den senere tid koncentreret os om de nyeste selvovervågede læringsteknikker, teknikker som dem, der bruges af ChatGPT,“ siger Gerardo. „Det har givet os et betydeligt løft, især inden for anatomisk intelligens. Vores AI er nu næsten lige så intelligent som et anatomi-atlas. Det kan skelne mellem omkring 200 forskellige vartegn (kropsdele) og lokalisere dem i billedmaterialet.