Att utveckla AI för tillÀmpningar inom vÄrden, exempelvis inom medicinsk bildanalys, kan spara tid i sjukvÄrden. Men det finns flera utmaningar. Datadriven AI, det vill sÀga storskaliga maskininlÀrningsmodeller, behöver en stor mÀngd medicinsk data att trÀna pÄ. För att exempelvis trÀna modeller att automatiskt analysera magnetkamerabilder pÄ hjÀrntumörpatienter, behövs vÀldigt mÄnga sÄdana bilder. Men att dela medicinska bilder kompliceras av etik, anonymisering och dataskyddslagstiftning.
Att kombinera medicinsk information frÄn flera sjukhus ger större mÀngd medicinska data. Genom att varje sjukhus var för sig trÀnar en AI-modell lokalt behöver inte den kÀnsliga informationen skickas utanför sjukhuset. I ett europeiskt forskningsprojekt kombinerar forskare i realtid lokalt trÀnade modeller till en gemensam sÄ kallad global modell pÄ en server i en annan stad. PÄ sÄ sÀtt behöver de inte skicka den medicinska data varje lokal modell Àr trÀnad pÄ. Tekniken kallas federerad inlÀrning. Forskarna har nu genomfört federerad inlÀrning mellan Linköpings universitet och StrÄlbehandlingen vid SkÄnes universitetssjukhus i Lund.
Först i Sverige
â Vi tror att vi Ă€r bland de första i Sverige med att göra federerad inlĂ€rning med medicinska bilder. Vi kommer snart att lĂ€gga till flera stĂ€der, nĂ€rmast pĂ„ tur Ă€r UmeĂ„, sĂ€ger Anders Eklund, bitrĂ€dande professor vid Institutionen för medicinsk teknik (IMT) och Institutionen för datavetenskap (IDA).
En utmaning kvar att lösa Àr att bilderna kan skilja sig mellan sjukhusen pÄ grund av olika utrustning och kameror. Sjukhusen kan ocksÄ ha olika kliniska riktlinjer för hur onkologer, det vill sÀga cancerlÀkare, ska rita tumörer och hantera kringliggande organ, sÄ kallade riskorgan. Anders Eklund Àr förhoppningsfull att de kommer ta fram en lösning som kompenserar för det. I projektet har de dÀrför gjort simuleringar dÀr de anvÀnt sig av ett öppet dataset, det vill sÀga en öppen samling av data som kallas BraTS. BraTS innefattar bilder och utritade tumörer för hjÀrntumörpatienter frÄn mer Àn tjugo olika sjukhus, och har skapats just för att utveckla liknande modeller.
â Om exempelvis ett sjukhus skulle ha tio eller tjugo procent mindre storlek pĂ„ tumören i sina bilder som pĂ„verkar federationen negativt, sĂ„ kan vi förhoppningsvis utveckla metoder sĂ„ att det fungerar Ă€ndĂ„.
Fler tillÀmpningsomrÄden
Projektet involverar Àven företag och universitet i NederlÀnderna, Belgien och Turkiet. I NederlÀnderna utvecklar forskarna exempelvis liknande modeller för leverbilder.
â Med leverbilderna anvĂ€nds samma teknik men med annorlunda tillĂ€mpning. Det Ă€r vitsen, att lĂ€ra av varandra och anvĂ€nda samma teknik pĂ„ olika sĂ€tt.
Anders Eklund nÀmner ocksÄ att andra möjliga tillÀmpningsomrÄden med federerad inlÀrningsteknik skulle kunna vara genetik eller text i medicinska journaler, det vill sÀga sprÄkmodeller i vÄrden. Företag som har vÀldigt mycket data i olika stÀder och som inte vill lÀgga allt pÄ samma stÀlle skulle ocksÄ kunna anvÀnda sig av tekniken. LikasÄ företag som vill vara med i forskningsprojekt och som inte vill skicka sina data.
â Tekniken kan anvĂ€ndas till all typ av information som Ă€r kĂ€nslig pĂ„ olika sĂ€tt. AnvĂ€ndningen kommer mer och mer, annars skulle företagen inte vara med och satsa pĂ„ projektet.
