Medisinsk bildeanalyse

Kunstig intelligens kan bidra til mer effektiv og presis diagnostikk innen ultralyd og røntgen. NR samarbeider med helseteknologiselskaper, kliniske miljøer og offentlige helseregistre for å utvikle metodikk som inngår i medisinsk bildeteknologi og støtter diagnostikere og annet helsepersonell i deres arbeid.

Arbeidet vårt spenner fra brystkreftdeteksjon i mammogrammer til automatisert analyse av hjerteultralyd.

Automatisert bildeanalyse kan bidra til tidligere oppdagelse av sykdom og redusere tidskrevende rutiner. Gjennom forskning på dyp læring og forklarbar KI utvikler vi løsninger som er trygge, etterprøvbare og tilpasset klinisk bruk.

Et nærbilde av ultralydundersøkelse. Hånd som bruker apparatet til å gli over magen. I bakgrunn skimtes ultralydbildet — *KI-generert illustrasjonsbilde av ultralydundersøkelse.* Bilde: NR.

Medisinsk bildeanalyse i klinisk praksis

Medisinsk bildeanalyse omfatter metoder og algoritmer som analyserer røntgen-, MR- og mammografibilder for å støtte utvikling og bruk av medisinsk bildeteknologi.

Automatisert analyse gjør det mulig å identifisere små forandringer eller mønstre som kan være vanskelige å oppdage manuelt, og kan frigjøre tid til mer komplekse vurderinger. For helsepersonell kan dette innebære færre rutinepregede oppgaver og bedre utnyttelse av faglig kompetanse. For pasienter kan det bety raskere avklaringer og mer presise vurderinger.

Forklarbar kunstig intelligens (XAI)

Når analysene bygger på forklarbar KI, det vil si modeller som synliggjør hvilke funn og mønstre som ligger til grunn for en vurdering, får legene ikke bare et resultat, men også innsikt i hvordan modellen har kommet fram til konklusjonen. Dette er viktig for klinisk tillit og etterprøvbarhet.

Kunstig intelligens skal fungere som beslutningsstøtte i samspill med medisinsk ekspertise. Slik kan vurderingene bli mer robuste og gi et bedre grunnlag for behandling og oppfølging.

Metodeutvikling for kreftdiagnostikk og hjerteavbildning

Innen brystkreftdiagnostikk og hjerteavbildning utvikler og validerer vi modeller som kan analysere komplekse bildedata, sammenligne tidligere og nye undersøkelser og identifisere klinisk relevante endringer over tid. Vi arbeider også med å forbedre modellenes tilpasningsdyktighet, slik at de kan anvendes på tvers av befolkningsgrupper, tidsperioder og bildeutstyr uten behov for omfattende ny opplæring.

I samarbeid med blant annet Kreftregisteret og GE Vingmed får vi tilgang til omfattende datasett og innsikt i hvordan løsningene best kan integreres i klinisk bruk og eksisterende arbeidsflyt.

Modellene våre kan analysere komplekse bildedata, sammenligne tidligere og nye undersøkelser og identifisere endringer over tid. Vi arbeider også med å gjøre modellene mer tilpasningsdyktige, slik at de kan anvendes på tvers av befolkningsgrupper, tidsperioder og bildeutstyr uten omfattende ny opplæring.

God bildekvalitet er en forutsetning for presis analyse. Derfor utvikler vi metoder for å håndtere utfordringer som uskarphet, vevstetthet og feil posisjonering.

*En grafkonvolusjonsmodell brukes til å identifisere sentrale referansepunkter i mammografibilder. Fargekodene viser viktige strukturer og korrekt posisjonering*. Bilde: NR / Kreftregisteret.

Brystbilde der kunstig intelligens har oppdaget kreft. En rød firkant markerer et mistenkelig område, og en rød markering viser sannsynlig kreftområde. — *Bildet viser et mammografi der KI har identifisert et mistenkelig område. Den røde markeringen angir hvor det kan foreligge kreft.* Bilde: NR / Kreftregisteret.

Grafkonvolusjonelle modeller kan identifisere nøkkelområder i brystet og gi radiografer umiddelbar tilbakemelding under avbildning, for eksempel ved feil posisjonering.