Et viktig, men samtidig sensitivt forskningsområde er bruk av kunstig intelligens (KI) for medisinsk diagnostikk og beslutningsstøtte. Avgjørelsene som KI-modeller foreslår, kan ikke tas lett på, for disse avgjørelsene sammen med legenes beslutninger påvirker pasientenes liv. 

For eksempel, ved diagnostisering av mistenkt leukemi er rask vurdering av celle- og vevsprøver avgjørende for rask diagnose og tidsriktig behandling. Dette forbedrer pasientresultatene. Imidlertid kan leger bruke timer, dager eller til og med uker på å analysere disse medisinske bildene.

KI-teknologier har potensial til å fremskynde denne prosessen. Tradisjonelt er diagnostisering av ulike blodsykdommer, som leukemi, avhengig av den cytologiske morfologien (cellens utseende under mikroskopi) av benmargsprøver og krever et svært høyt ekspertisenivå fra spesialister innen patologi eller hematologi. Det er manuelt, tidkrevende og repetitivt.

USN jobber for tiden sammen med avdelingen for onkologi og hematologi på Sykehuset i Vestfold (SiV) med bruk av KI for å klassifisere bilder av benmargsprøver, såkalt benmargsutstryk, noe som hjelper leger med å fremskynde diagnoser. SiV har som de første i Norge digitalisert benmargsutstryk, og dette banebrytende steget introduserer muligheten for å bruke KI til å automatisere morfologisk analyse.

Forskningssamarbeidet mellom USN og SiV har som mål å forkorte tiden fra diagnose til behandling. Dermed kan pasienter som vurderes for myelomatose og andre plasmacellesykdommer oppleve kortere vurderingstid.

Hvordan fungerer KI-bildeklassifisering?

SiV har som tidligere nevnt digitalisert benmargsutstryk og merket dem. Disse bildene utgjør datasettet som mates inn i en KI-algoritme som trenes til å gjenkjenne mønstre og tilordne dem til forhåndsdefinerte kategorier. Mønstre er strukturer som gjør det mulig for algoritmen å skille en celle fra en annen, som kanter, hjørner og fargeoverganger. KI-algoritmen tilordner deretter forhåndsdefinerte kategorier.

Dette er en utfordrende oppgave fordi benmargen inneholder dusinvis av celletyper på forskjellige modningsstadier, og noen av dem er så like at det er vanskelig for KI-algoritmen å skille dem fra hverandre. 

En vanlig feil er at KI forveksler for eksempel promyelocytter med myelocytter fordi disse cellene er svært lik i form og granularitet. I tillegg er det høy intra-klassevariabilitet med overlappende og klyngede celler, noe som gjør klassifiseringen enda vanskeligere.

Kan vi stole på KI-diagnostikk og beslutningstaking?

Beslutningene som tas av KI-modeller har stor betydning og må tilnærmes med forsiktighet. En tilnærming for å konstruere en tryggere, mer pålitelig og tillitsvekkende KI-modell er å implementere "menneske-i-sløyfen", på engelsk kalt Human-in-the-loop (HITL). HITL er et aktivt forskningsområde der et menneske er aktivt involvert i KI-arbeidsflyten, fra datainnsamling, trening og veiledning til evaluering og implementering. 

Dette bidrar til å sikre nøyaktighet, sikkerhet og etisk beslutningstaking. I KI-drevet medisinsk beslutningstaking er HITL essensielt. Selv om det endelige produktet ikke er en vidunderkur, representerer det det fremste innen sikkerhetsteknikk for KI.

KI-teknologi er ikke en erstatning for legers ekspertise og beslutningstaking, men et støttende verktøy som hjelper leger med å ta beslutninger raskere og frigjøre tid til mer meningsfulle oppgaver, som pasientkontakt. I tillegg drar pasienter fordel av kortere ventetider og raskere medisinsk behandling, noe som i ytterste konsekvens kan bety forskjell på liv og død.