Kunstig intelligens skal opdage kritiske hjerte- og lungesygdomme hurtigere

I Danmark er det mest røntgenfotograferede område af kroppen brystkassen, der på medicinsk fagsprog kaldes thorax. Hvert år bliver der taget op mod 650.000 thorax-røntgenbilleder.

I modsætning til 3D-billeder taget af en CT-scanner kan organer og knogler skygge for hinanden i røntgenbilleder. Dette komplicerer analysen og forårsager, at op til 3% af kritiske sygdomstilfælde bliver overset. 

Samtidig er det et problem, at radiologer ikke har et system, der kan udpege de røntgenbilleder, der viser tegn på akut behandlingskrævende sygdom, og som derfor bør blive læst først, så der hurtigt kan stilles en diagnose og lægges en plan for behandling. 

Derfor vil et nyt forskningsprojekt udvikle et kunstig intelligens-system, der både skal hjælpe radiologerne med at prioritere billederne af thorax samt give radiologerne en second opinion i forhold til at diagnosticere. Projektet sker i samarbejde mellem forskere fra Datalogisk Institut, Københavns Universitet, Rigshospitalet og IT-virksomheden Unumed ApS.

- Målet for prioriteringssystemet er at reducere den tid, der går før et billede af kritiske tilfælde bliver læst, fra dage til timer. Det vil betyde kortere indlæggelser og sygemeldinger, bedre og rettidig behandling og ikke mindst færre menneskelige omkostninger, siger Sune Darkner, der er lektor med speciale i medicinsk billedbehandling på Datalogisk Institut, Københavns Universitet.

Som en ekstra radiolog

Sune Darkner forklarer, at systemet ikke vil påvirke behandlingstiden negativt for de resterende røntgenfotograferede personer, hvor billederne ikke ser svært kritiske ud. For dem vil fordelen ved det nye system være, at de får et sæt ekstra øjne på analysen af deres røntgenbilleder.

- I forhold til diagnosticering vil systemet svare til at have en ekstra radiolog på afdelingen, som gør afdelingen bedre i stand til at opdage sygdomme i tide. Realistisk set vil vi kunne opnå 5-10% bedre aflæsning af billederne. Det er en stor forbedring, når vi tænker på, at Danmark i 2018 var det land med næst flest lungekræftpatienter i EU, siger Sune Darkner.

Udsigterne til det nye system glæder professor i radiologi og læge på Rigshospitalet, Michael Bachmann Nielsen.

- Prioriteringssystemet vil betyde, at det sjældnere vil ske, at der går flere dage, før vi opdager alvorlige lunge- og hjertesygdomme, hvilket kan have store omkostninger for patienten. I forhold til at diagnosticere vil vi altid analysere billederne selv, men det bliver utrolig brugbart for os at få en second opinion, siger Michael Bachmann Nielsen.

Hvis hurtigere svartider som ventet reducerer indlæggelsestiden for patienter med lungebetændelse mindst en dag, vil det samlet spare sundhedsvæsnet for 221 mio. kroner om året. Samtidig vil en reducering af dage, som personer med lungebetændelse er sygemeldt, spare samfundet for 75 mio. kroner om året.

Et datamæssigt drømmescenarie

Samarbejdet med Rigshospitalet giver Datalogisk Institut og Unumed ApS mulighed for at få adgang til 2,5 mio. danske brystrøntgenbilleder, herudaf 40.000 ekspertannoterede billeder. Dem skal det nye system ”trænes” på, det vil sige lære at genkende sygdomme ud fra. Et datamæssigt drømmescenarie for datalogi-forskeren:

Vi står med et virkelig godt datasæt, hvor vi kan være sikre på, at vi udvikler systemet på baggrund af data af superhøj kvalitet. Det er vores mål, at den kunstige intelligens skal nå op på en menneskelig standard og lave færre fejl.

Unumeds CEO, Henrik Albertsen, påpeger, at projektet udover at gøre en stor sundhedsmæssig forskel i Danmark også vil bidrage med et interessant forretningsmæssigt potentiale internationalt:

- Udfordringerne med røntgenbilleder er et stort internationalt problem. Vores projekt indeholder nøjagtigt de nøglespillere, vi skal bruge for at udvikle en virkelig stærk teknisk løsning og ligeså vigtigt et redskab, som radiologer har lyst til at bruge og er trygge ved. Vi vil kunne modernisere røntgenprocesser verden over, både i forhold til analysekvalitet og svartider.

Emner