AI i hälso- och sjukvård #4 – AI Innovation of Sweden, radiologer lär upp AI

Intro till nyhetsbrevet

Som så ofta numera har det rasslat förbi optimistiska rubriker om hur bra AI är. Sedan föregående nyhetsbrev har en AI vunnit i strategispelet Starcraft, något även jag spelat, men för mycket länge sedan. Så nu kan AI spela schack, Jeopardy, Go och Starcraft. Samtliga är spel vars spelmekanik är minst tjugo år gamla och relativt väl avgränsade.

Vill man sätta dessa maskiners bedrifter i relation till sina mänskliga motspelare visar det sig att datorn i Starcraft tränat i drygt 200 år att spela sagda spel, samt att den Go-spelande datorn drog 25 000 gånger mer energi än den mänskliga motspelaren under tiden den spelade.

Och datorn som spelade Starcraft behövde spela med särskilda “fusk” för att vinna över mänskligheten. Den fick se hela spelkartan och tvingades därmed inte fokusera sin uppmärksamhet. Alla som någon gång spelat Starcraft, eller annat realtidsstrategispel som den populära serien Age of Empires, inser vilken enorm fördel det är att se hela spelkartan.

Ja, datorn förlorade mot människan om den spelade på samma villkor. Trots att den hade spelerfarenhet av Starcraft i 200 år, längre än någon människa hunnit spela med tanke på att första versionen släpptes för ganska exakt 21 år sedan – sista mars 1998.

Med andra ord är den mänskliga intelligensen oerhört energieffektiv, snabblärd och mångsidig. Men självklart har vi nytta av specialiserad AI för vissa problem där de är värda investeringarna det innebär.

//avd Vårdens digitalisering, genom Marcus Österberg

Vad är AI för dig?

Månadens svar på vad AI innebär tangerar diskussionen om att all denna AI kommer ta våra jobb.

”Använt med klokhet en möjlighet att klara framtida utmaningar och samtidigt öka kvaliteten i vården”
– Maria Fredriksson, regionutvecklare på VGR

Med tanke på hur samhällets äldre växer i andel av befolkningen kanske de som jobbar i vården i framtiden inte har en rimlig arbetsmiljö utan AI som assistans. Är det troligt att vi skulle klara oss med färre som arbetar i välfärden om det är fler äldre samtidigt som det är färre som jobbar?

Nytt AI-center: AI Innovation of Sweden + sök förstudiepengar

I februari öppnade ett nytt AI-center sin första “nod”. Det är AI Innovation of Sweden som invigdes på Lindholmen, Göteborgs norra älvstrand. Västra Götalandsregionen är med som partner och kommer hjälpa till att hålla igång ett intresse för life science på plats utöver det fokus på fordonsindustri som redan finns.

Om du har ett förslag på AI-projekt kan du ansöka om förstudiepengar på mellan 150-250kkr och kompetens genom att fylla i formuläret i nedanstående länk.

Radiologer lär upp algoritm att se och analysera hjärtbilder

SCAPIS är en unik forskningsstudie baserat på 30 000 personer. Varje deltagare har kartlagts med en mängd olika prover, undersökningar och svarat på mängder av frågor i enkäter.

Nu kommer radiologer från Sahlgrenska Universitetssjukhuset att hjälpa en maskin att lära sig se vad som är normalt, med målet att maskinen ska kunna förstå när en hjärtvävnad inte är normal.

Förhoppningen är att tidigare identifiera patienter i riskzonen men också att låta radiologerna jobba med mer svårtolkade bilder där en maskin inte förväntas lyckas lika bra. Eftersom en hjärt-CT-undersökning tar en timme att analysera för en radiolog finns det god potential till effektivisering om en AI kan ta hand om de mest uppenbara fallen.

Begreppet: Supervised machine learning

Först och främst, machine learning är en maskins förmåga att lära sig något genom att matas med en mängd data. Ett sätt att kategorisera olika varianter av machine learning är att de antingen är supervised eller unsupervised.

Som exempel kan vi ta föregående rubrik. Att radiologer lär upp en AI hur en normal/frisk hjärtvävnad ser ut på en röntgenbild. Radiologen vet svaret, har facit och ska lära en AI något genom att ge ett antal exempel på vad som är friskt. AI:ns jobb blir att på sitt eget sätt, på motsvarande sätt som för mänskliga elever individuellt, försöka se mönstret i det läraren lär ut. Det här kan gå fel på lite intressanta sätt men det kommer vi in på senare.

Lärarens datakälla har ett antal beskrivande begrepp som är bra att känna till men som vi inte kommer djupdyka i. Datakällan man matar AI:n med sägs innehålla labels, vilket kan liknas vid de etiketter du kan se på fruktkartonger i affären. Vissa delar av fruktdisken innehåller apelsiner, andra närliggande frukter är ekologiska bananer, någon ytterligare är rätt och slätt bananer utan epitet som “ekologiska”, vad nu det betyder enligt en maskin.

Frukterna är annoterade vilket är en hemsk översättning, men aktiviteten att tala om vad som är vad kallas för annotation, eller att en datakälla är annotated eller på svenska annoterad. Det innebär att den innehåller en förklaring om innehållets art. Som att en viss kartongs innehåll är bananer.

Datorseende / bilddiagnostik

Så vad ser då en AI som tittat på en röntgenbild över ett hjärta? Om vi gör antagandet att det är en sparad bild likt det du tar med mobilkameran så… (snarare än signalbehandling, det får någon annan försöka förklara).

Bilden en AI (för datorseende) tar emot är redan ett koordinatsystem av bildpunkter eftersom det är så digitala bilder lagras. Så vad finns det för gemensamma nämnare i de bilder av normala hjärtan som radiologerna serverat till AI:n? Det handlar om mönsterigenkänning, som att se geometri.

Om maskinen sett många bilder där det finns två relativt lika stora runda former för respektive av två hjärtkammare så kommer den exempelvis reagera på hjärtfelet enkammarhjärta av den enkla anledningen att där bara syns en enda kammare, eller att den ena är väsentligt mycket mindre än den andra. Men egentligen är det avsaknaden av två runda former av någorlunda samma yta den reagerar på. Den förstår inte vad den hittat, inte mer än att det är något den med stor säkerhet tror är onormalt.

Vissa diagnoser är mer uppenbara än andra, både för lekmän och AI.

…och unsupervised machine learning då?

Unsupervised machine learning är motsatsen. Här får maskinen icke-annoterad data att träna på, så den vet inte om respektive bild föreställer ett friskt eller avvikande hjärta. Det förväntas lista ut saker själv, att på egen hand klassificera och bidra med insikt. Det kan innebära att den upptäcker viktiga saker som människor inte insett, men också att den överreagerar på saker som slösar med kunnigt folks tid.

Tänkbara fallgropar med supervised machine learning

Vanligaste exemplet på hur supervised machine learning kan gå fel är när man försöker lära en maskin se skillnad på en hund och en varg. En risk är att man lär en maskin att vargar är snö, och att hundar är djuransikten i bilder utan snö. Tänk dig själv extremerna. Du har chihuahuaor i ett sandigt landskap i Mexiko och vargar i ett snöigt norra Kanada. Vad på bilden är mest särskiljande? Snön och sand, eller vargen och dess mikroskopiska ättlingar?

Samma utmaningar kan AI ha med att se en tekanna som har ett mönster av en golfboll. Om den är tvungen att välja; är det en golfboll med en konstig form, eller en tekanna med ett oväntat mönster?

Många jobbar med chatbottar just nu

Många inom vård och omsorg planerar eller genomför nu projekt när det gäller chatbottar. Exempelvis i Region Västerbotten har man redan en digital receptionist vid namn AIDA på Världens smartaste tandklinik – Idun. Nyttan är att inte ha tandvårdspersonal uppbunden i en reception när de istället kan jobba med själva anledningen att patienterna är på besök.
Västra Götalandsregionen har via sin innovationsfond beviljat ett projekt att erbjuda en chatbot direkt i surfplattor vid patientsängen på Sahlgrenska Universitetssjukhuset.

Självtriage alá 2019

I all väsentlighet är det samma eller snarlik teknik som under 2018 ibland kallades för AI-sjuksköterskor, självtriage eller liknande. De som var tidigt ute tycks ha lärt sig teknikens nuvarande begränsningar vid det här laget. För att inte hamna snett styrs patienten in via triageprotokoll mot avgränsade problem, för att slutligen fråga dem om de accepterar var de hamnat i leverantörens beslutssträd. Ibland ställs avslutande frågor om patienten själv tror sig kunna få hjälp per videosamtal eller behöver ett fysiskt besök i vården.

Återanvända kliniska texter – gratis PDF-bok

Boken Clinical Text Mining släpptes just i tryckt format men kanske ännu mer intressant så går den att ladda ner gratis på nätet. Text mining kanske mer är ett begrepp bland IT-kunniga, men se det som delvis någon form av gruvdrift på den kliniska text som redan existerar i medicinska system men också den kreativitet för att hitta ett värdefullt innehåll bland den mångfald av system som krävs för att få en samsyn kring en patient.

Boken tar upp frågor som machine learning och natural language processing i relation till klinisk text.

Ladda ner Clinical Text Mining som PDF >

Artikelvimmel

Artiklar av intresse, det som inte skrivits om i längre ordalag ovan.