AI i hälso- och sjukvård #5 – Karolinska med öppen remiss inför AI-upphandling, samt AutoML och NAS

Intro till nyhetsbrevet

I mitt uppdrag för Swelife AI har jag tillsammans med VGR:s regionutveckling testat fram en inspirationsworkshop i AI. Det går från AI ner till extremt handfast verklighet, men ändå greppbar för de flesta vi testat på under tre tillfällen. Vi avslutar nämligen workshopen med att gemensamt programmera lite supervised machine learning. Det kan låta avskräckande, men det är 10 ynka rader med kod. Nu är inte varje rad helt uppenbar eller självförklarande, men det visar på flödet i ett machine learning-projekt.

Du hittar ett självstudiematerialet och en videoversion på VGR:s utvecklingsblogg.

Och du, du har väl inte missat gratiskursen elementsofai.com?

Eller att Sverige och Tyskland tänkt samarbeta kring bland annat AI och ehälsa?

Eller att Vinnova har en ny utlysning om projektpengar för den som vill börja med AI?

//avd Vårdens digitalisering, genom Marcus Österberg

Vad är AI för dig?

Nedan citat dämpar måhända lite den förhoppning som finns inom vad som populärt kallas för AI. Samtidigt finns där ett djup, en klokhet. För om vi inte betraktar maskiner och AI som ändamålsenliga verktyg kan man undra vilken nytta vi ska ha av dem?

”Machines are better than me at whatever they’re for… that’s the point of tools. A calculator is better than me at 238÷182 and a bucket is better than me at holding water.”

– Cassie Kozyrkov

Cassie håller oss på mattan kring vad AI är. AI kan också beskrivas som den just nu aktuella vågen av digitalisering. Det som tidigare kallades ehälsa beskrivs idag gärna som AI, eller som på 00-talet och bakåt kallades telemedicin. Skillnaden är inte alltid helt uppenbar. Vi kämpar fortfarande med att ha videomöten med patienter, vilket definitivt landar inom definitionen för telemedicin – att utöva medicin på distans.

För vad är intelligens, oavsett om den är naturlig eller artificiell? Förmågorna som listas på Wikipedia är:

”Till intelligensen räknas vanligen förmågorna att resonera, planera, lösa problem, associera, tänka abstrakt, förstå idéer och språk, komplicerade orsakssammanhang samt förmågan till inlärning.”

En annan pågående diskussion är om AI är något annat än en massa matematik, statistik och beräkningskraft. En kollega på Sahlgrenska har en distinktion att bjuda på:

”En linjär regression kan förutsäga när du kommer att dricka kaffe på dagen om du har ett mönster. En machine learning-algoritm kan lära sig att du ibland väljer te.”

– Almira Thunström, Sahlgrenska område 2

Ingen av AI-teknikerna erbjuder varken någon svart magi eller något mystiskt. I grunden är det “bara” matematik, siffror och statistik. Grejen är att det sker på en nivå de flesta människor inte kan greppa, som med ordvektorer som sker i hundratals och ibland tusentals dimensioner, där de flesta av oss zoomar ut efter den tredje dimensionen. Spoiler: den fjärde dimensionen kan handla om tid i en tredimensionell värld.

Karolinska kör externremiss inför eventuell upphandling av AI-beslutstöd

AI är svårt. Om inte annat är det ett problem att det inte finns en särskilt stor samsyn kring exakt vad man menar. Så Karolinskas öppenhet och bedjan om extern hjälp att utforma en tänkt upphandling är nog smart.

Kanske är denna öppenhet något fler borde ta efter. För hur upphandlar man något man inte själv exakt kan beskriva med intern kompetens?

Vilken kvalitet är det på den AI-forskning som görs?

Vid närmare undersökning visar det sig emellanåt vara riktigt illa ställt med forskningen inom de AI-tekniker som bland annat gäller hälso- och sjukvård. Åtminstone om man tänker sig att resultaten ska spela roll för den kliniska verkligheten. Den senaste månaden publicerades det i Korean Journal of Radiology en nedslående sammanställning.

Om man kollade 516 publicerade studier kom man fram till att endast 6% (31 st studier) hade validerat sina fynd med en extern part. Dessutom:

”None of the 31 studies adopted all three design features: diagnostic cohort design, the inclusion of multiple institutions, and prospective data collection for external validation. No significant difference was found between medical and non-medical journals.”

Då ska man komma ihåg att radiologi är den förhållandevis enkla och väletablerade delen av medicinsk AI. Ofta förklaras det med att man på bilden har svaret på om där finns något friskt eller sjukt. Fullt så binär är inte alla andra datakällor inom hälso- och sjukvård.

Trend: AutoML och NAS – maskinen klurar på egen hand

En trend du kan ha sett är AutoML. Det innebär att en maskin “på egen hand” har listat ut hur den ska resonera kring en datamängd och vad den bör göra. Det kan vara i frågor som att bilden som laddats upp tillräckligt mycket ser ut att handla om något visst avgränsat område för att maskinen ska välja att avgränsa sig till medicinsk radiografi, det kan också vara att maskinen förstår att det är text från ett känt citat av en historisk person.

AutoML är lite av ett produktnamn för detta medan NAS (Neural Architecture Search) är det som beskriver att en maskin själv söker den bästa kombinationen av tekniska lösningar för att lösa ut ett dataproblem.

Begreppet: Supervised machine learning

Supervised machine learning betyder att man kompletterat sin information/datakälla, den har också ett facit. Om det handlar om att lära en maskin avgöra skillnaden mellan äpplen och apelsiner kommer man förutom att ge maskinen en massa äpplen och apelsiner också avslöja vilken frukt som är av den ena eller andra sorten.

Det kallas för att informationen är annoterad, det finns alltså en lärare som hjälper maskinen att lära sig. Läraren är alltså en människa, en så kallad domänexpert. Just när det gäller banala problem som att avgöra skillnaden mellan vanliga frukter krävs inte så stor expertis, men det blir värre om man ska lära en maskin vad på en thoraxröntgen som är frisk vävnad och vad som är sjukt.

När det gäller att lära en maskin om äpplen och apelsiner kommer maskinen ganska snart att inse att en slät yta och en liten mörk pinne som sticker ut är gemensamt för många äpplen och att en brandgul och gropig yta brukar man “se” på en apelsin.

Poängen med detta är att senare kunna skicka en för maskinen helt okänd frukt och be maskinen säga om den tror det föreställer ett äpple eller en apelsin. Den här maskinen skulle alltså ha en snäv kunskap endast om två sorters frukter, samt att den inte har mer kunskap än de bilder den sett under sin träningsfas.

Motsatsen till supervised learning är unsupervised machine learning. Där finns inget facit. En potentiell fördel är att maskinen upptäcker oväntade saker i den data den försöker lära sig av, men ofta är det extremt uppenbara eller banala fynd som hittas.

Artikelvimmel

Anmäl dig till nyhetsbrevet

Anmäl dig till nyhetsbrevet per mejl på följande länk:
http://eepurl.com/dO2yer