Robotæg udklækkes

DTU-direktør: Nu udklækkes AI- potentialet, og det vil medføre et fundamentalt skift

tirsdag 27 sep 22

Kontakt

Jan Henrik Ardenkjær-Larsen
Institutdirektør, Professor
DTU Sundhedsteknologi
45 25 57 57

Jan Henrik Ardenkjær-Larsen

Født 1967.
Ph.d. fra DTU. 25 års erfaring fra life science og medtech-industrien, herunder Nycomed, Amersham og GE Healthcare.
I dag professor og institutdirektør ved DTU Sundhedsteknologi, hvor han særligt forsker i MR.

Artiklen er trykt i Radiografen

Radiografen udgives af Radiograf Rådet

Artiklen er trykt i Radiografen, 50. årgang, nr. 6, september 2022, s. 14-16. Og her gengivet med tilladelse fra Radiografen.

Artiklen er skrevet af redaktør Camilla Beer Arnsberg.
Illustrationer: MidJourney og Radiograf Rådet

Læs hele magasinet her

Forside
Det er noget nær en teknologisk revolution, vi kan vente i de kommende år på det billeddiagnostiske område. Sådan lyder det fra Jan Henrik Ardenkjær-Larsen, der er professor og institutdirektør ved DTU Sundhedsteknologi, hvor forskning i fremtidens løsninger kører på højtryk.

Hvilke udviklinger ser du for det billeddiagnostiske område i de kommende år?

”Der er et fornyet fokus på AI-området, så machine learning og deep learning med god grund får en masse opmærksomhed. Det er noget, vi vil se på tværs af alle modaliteter i de kommende år. Vi ser en enorm stigning i billedmængden og et større arbejdspres, skabt af en stigning i antallet af scanninger.

Der bliver simpelthen meget større mængder data, der skal håndteres, så det er en nødvendighed, at teknologien kan klare det. Så det er også noget, der fylder i vores forskning. Vi anvender AI i vores forskningsprojekter til blandt andet at segmentere billeder, at fremhæve kontrastområder i forbindelse med demenssygdomme og sortering af forskellige vævstyper”.

Overgangen fra analogt til digitalt har været et gennemgående skift på det billeddiagnostiske område. Hvor meget kommer AI-udviklingen til at præge området?

”Det kommer til på samme måde at være et fundamentalt, gennemgående skift. Det er jeg helt overbevist om, og det er en nødvendighed. Vi er i en overgangsfase nu. Vi begynder at kalde det noget andet, blandt andet såkaldt ’troværdig AI’.

Det handler om, at man validerer metoderne – at de er troværdige og giver pålidelige resultater. Vi kan ikke have sådan en komplet black box-algoritme, hvor vi ikke ved, hvad der sker med billederne, og om vi kan stole på resultaterne. Vi stiller altså nogle rammer op for, hvordan vi kan udvikle og anvende algoritmer.

Deep learning er en slags black box-metode, hvor et neuralt netværk kan se nogle mønstre i tusindvis af billeder, og man ved ikke, præcis hvad det er, der fører til, at billederne ændrer sig og bliver bedre. Men man kan sige, at det samme gør sig gældende for mennesker.

Radiologer træner deres øjne og kigger på tusindvis af billeder, så de på få sekunder kan se ting i billederne, som vi andre ikke kan se. Men vi ved jo heller ikke helt, hvad der foregår inde i vores hoveder, og radiologen kan jo heller ikke sige præcis, hvad der gør, at vedkommende kan nå frem til et bestemt resultat”.

Så videnskabsteoretisk kan resultatet med AI og dens black box-element være lige så validt, som hvis resultatet kom fra en radiolog?

”Ja. Men det er, som om der stadig er et skisma der. Vi kan bedre acceptere, hvis en person begår en fejl, end hvis en algoritme laver en fejl. Der er baren bare lidt højere, og det skal den også være, for sådan er det, når vi udvikler lægemidler og teknologier, fordi det er stærkt reguleret.

Der er et push for, at vi effektiviserer arbejdsgangene for at lette presset på systemet. Og teknologien, cloudløsningerne og regnekraften er der til, at vi kan gøre det. Det er derfor, det får en renæssance.

For at udnytte de nye muligheder, der ligger i digitaliseringen på AI-området, vil der helt sikkert også ske en større standardisering af billedformater. Det er stadig et problem, at der er så store forskelle mellem forskellige leverandører indenfor samme modalitet.

"Vi kan ikke have sådan en komplet black box-agoritme, hvor vi ikke ved, hvad der sker med billederne, og om vi kan stole på resultaterne. Vi stiller altså nogle rammer op for, hvordan vi kan udvikle og anvende algoritmer."
Professor og institutdirektør Jan Henrik Ardenkjær-Larsen

Sådan noget som at kunne reducere mislykkede scanninger og bruge AI-algoritmerne kræver en standardisering og en regulering på det digitale område. Det hele hænger sammen med ønsket om et bedre workflow, som skal give en højere effektivitet og en bedre patientoplevelse”.

Så AI kommer til at være en grundsten i udviklingen, men hvad kommer ellers til at fylde i landskabet?

”Vi kommer også til at se andre tekniske udviklinger på alle modaliteter. Der er ikke nogen af dem, der ikke rykker. Og det gælder både for billedkvalitet og kontrastforhold. Indenfor det billeddiagnostiske vil vi gerne rykke nærmere præcisionsmedicin og personlig medicin, og det præger også udviklingen.

Hvis man er i et behandlingsforløb, vil man kunne komme til en scanning oftere, så man kan se, om behandlingen er effektiv, eller om der skal justeres. På den måde tilpasses behandlingen til den enkelte patient, men det kræver også, at vi har nogle måder at afgøre, om behandlingen har effekt, og der er billeddiagnostikken et vigtigt værktøj. Og det kræver, at vi har både kapaciteten og metoderne.

Indenfor CT er der allerede i de senere år sket en udvikling i forhold til at reducere stråledosis eller få bedre kontrastforhold i billederne, og det vil vi se en større udbredelse af i de kommende år – ting som photon counting og phase contrast.

På det nuklearmedicinske gør bedre detektorer, at vi kan reducere dosis og lave bedre billeder med en lavere mængde sporstof. Og her vil der også ske en udvikling af sporstoffer, hvor mere end 90 procent af PET-scanninger i dag er med ét bestemt sporstof. Og de nye sporstoffer kan give mere specifik diagnosticering i forhold til eksempelvis bestemte kræftformer, eller de kan differentiere mellem demenssygdomme. Og det kræver, at man har sporstoffer, som er mere specifikke. På DTU arbejder vi i disse år meget på at udvikle de her nye sporstoffer.

Ultralyd er også et vigtigt forskningsområde, og noget af det, der måske kan rykke ud i praksis i de kommende år, er 3D vector flow. Det er værdifuldt i forhold til hjerte-kar sygdomme, så man i 3D kan se, om blodet flyder rigtigt, og om hjertet pumper rigtigt. Det er ret avanceret fra et teknologisk synspunkt.

Og så forskes der også meget i super resolution i ultralyd, så man kan øge opløsningen af billederne helt til mikrometerskalaen, så man kan se mikrocirkulation i de helt små kar. Og vi ved, at der hos diabetikere sker forandringer i mikrocirkulationen, så der kan det blive et vigtigt værktøj.

Men de her ting er ikke i praksis endnu, og de kræver både nye transducere og algoritmer. På modalitetsniveau ser vi også, at ultralyd vil blive portabelt, og det vil særligt være anvendeligt i tredjeverdenslande. Man kan næsten forestille sig, at det bliver noget, man kan slutte til sin smartphone og tage med sig hvor som helst”.

Hvis man går ind på en billeddiagnostisk afdeling om 10-15 år, hvad er det så for nogle forandringer, man vil se som resultat af disse udviklinger?

”Man vil træde ind og se et fokus på den gode patientoplevelse, og afdelingen vil være mindre klinisk og mere venlig overfor børn og patienter under pres. Det gælder også, når man kommer ind i scanneren. Det kan jo være ubehageligt, fordi man måske skal have ting på sig, have kontrast, og man skal ligge i et rør. Den patientoplevelse arbejder man på at gøre bedre, og derfor vil man opleve, at scanningen går hurtigere og er mindre stressende.

Udviklingerne på modaliteterne vil også have udbredt sig, så alle sygehuse har f.eks. photon counting CT og hyperpolariseret MR. 

Radiografen vil også opleve, at workflowet er mere effektivt. Lejringen og protokollerne er mere standardiserede og mere effektive. Og det går på tværs af MR, CT og nuklearmedicin. Algoritmer vil være indlejret i alle modaliteter.

Radiografen vil nok opleve, at der generelt brug for mere digital forståelse, og radiograferne på afdelingen vil derfor have fået mere viden om det digitale enten gennem uddannelse eller efteruddannelse. Det skyldes blandt andet også, at der vil ske en anden behandling af billederne, og at de flyder på en anden måde gennem og på tværs af sundhedssystemet. Data skal med andre ord samkøres på helt andre måder, og det kræver også, at radiografen har en meget stærk digital forståelse”.

Black Box

Meget AI-teknologi involverer et black box-element. Det betyder, at algoritmen får et input og leverer et output, men ”rationaliseringsprocessen” mellem input og output har man ikke komplet indblik i. Men det samme kan ifølge Jan Henrik Ardenkjær-Larsen siges at være tilfældet, når en radiolog beskriver et billede.

Nyheder og filtrering

Få besked om fremtidige nyheder, der matcher din filtrering.