JavaScript is currently disabled.Please enable it for a better experience of Jumi.
 ETN.fi  Annonsera Utgivningsplan Månadsmagasinet Prenumerera Konsultguide Om oss  About / Advertise
tisdag 22 september 2020 VECKA 39

När du tar en medicinsk bild i framtiden kommer den omedelbart att analyseras av ett batteri AI-algoritmer. Det tror chalmersprofessorn Fredrik Kahl. Hans forskningsområde datorseende har fått en rejäl knuff framåt av AI-tekniken deep learning.

I en studie kunde hälften av alla som diagnosticerats med njurcancer efteråt plocka fram en tidigare skikt- eller magnetröntgenbild av sina njurar. På i sin tur hälften av dessa bilder syntes tumören. Det var bara det att ingen hade tittat efter dem.

–Tänk dig en automatisk algoritm som skulle göra analys på alla sorters tumörer! Det vore en fantastisk tillgång, säger Fredrik Kahl.

Idag är det radiologer som gör bildanalysen. En röntgenbild kan ta en arbetsdag att analysera, så det görs inte rutinmässigt. 

Samtidigt mognar det fram AI-algoritmer som på ett ögonblick kommer att kunna ställa diagnoser med samma precision som radiologen. Eller med högre precision, bland annat eftersom eftersom helt nya diagnosmetoder kan bli praktiskt möjliga. Genom att sammanställa flera bilder tagna på olika sätt, med olika ”modularitet”, blir diagnoserna säkrare. Bilder med blandade modulariteter – dessutom i 3D där navigering i bilden blir en extra komplikation – gör utmaningen än mer övermäktig för radiologen.

AI snabbar upp analys av medicinsk bild så mycket att många diagnoser kan komma att ställas automatiskt, på rutin. Idag kan en enda analys ta en arbetsdag.

Den dag medicinsk bildanalys blir i det närmaste gratis i jämförelse kommer sjukdomar att kunna diagnosticeras tidigare och patienterna få bättre vård.

AI-analysen baseras, som du kanske redan antagit, på den AI-teknik som som är på allas läppar sedan några år: djup maskininlärning. Fredrik Kahl är långtifrån ensam att applicera den inom medicinområdet. På sjukhus runtom i världen görs redan maskinell bildanalys i utvärderingar. 

–Överallt där man använder medicinska bilder kommer deep learning att vara en oerhörd tillgång.

Under 10-talet fick Fredrik Kahl uppleva hur deep learning dök upp inom hans forskningsområde datorseende och sopade banan med konkurrerande algoritmer. Nyligen återvände han från en konferens som för tio år sedan hade kanske 500 deltagare. I år var de nära tiotusen. 

–Trots att området i sig egentligen smalnat av eftersom alla använder samma teknik.

–Jag har varit i branschen i tjugo år och de senaste fem åren har resultatförbättringarna varit enormt stora. När det gäller att säga vad som finns i vanligt fotografi är datorn på mänsklig nivå eller ännu bättre, på många olika tillämpningar. Det hade man inte kunnat drömma om tidigare.

Bilddiagnos baserad på maskininlärning är mogen för att ersätta radiologer, enligt Fredrik Kahl.

I princip. Det som återstår är grovarbetet med att slutföra de specifika algoritmerna för olika diagnoser. Därefter kommer de sedvanliga manåren av omständliga procedurer som krävs för att verifiera och godkänna nya medicinska behandlingsmetoder.

–Den stora tröskeln idag är nog att få tag på annoterad data, stora träningsmängder av data.

Annoterade bilder – där experter markerat i bilderna och analyserat vad bilden betyder – behövs som referens när de djupa neuronnäten ska tränas upp att göra analysjobbet automatiskt.

Det svenska medicinska forskningsprojektet Scapis är en potentiell guldgruva för utvecklingen.

–Det är ett fantastiskt material att jobba med. 

30 000 svenskar har genomgått samma provtagningar och fått identiska bilder tagna. 

I ett av Scapisprojekten kommer Fredrik Kahls grupp att arbeta med Scapisbilder med annoterade kranskärl, närmare bestämt 3D-bilder av hur kranskärlen förgrenar sig. 

3D-kranskärlsträdet är mer anatomiskt rättvisande än 2D-bilder och borde kunna utgöra bättre indata för diagnoser.

–Man vill kunna se noggrant var det finns stenoser, förträngningar och plack. Mycket plack av viss typ är en biomarkör för hjärtinfarkt.

–Det finns teknik för att läkare att göra detta, men den är inte tillräckligt bra. 

Denna artikel har tidigare publicerats i magasinet Elektronik­tidningen. För dig som jobbar i den svenska elektronik­branschen är Elektronik­tidningen gratis att prenumerera på – våra annonsörer betalar kostnaden.
Här tecknar du prenumeration (länk).

Han tänker analysera kranskärlsträden i djupa neuronnät. Slutmålet kan exempelvis vara att från ett kranskärlstråd kunna spå sannolikheten för hjärtinfarkt inom fem år.

Gruppen har inga problem att få finansiering till forskning i medicinsk bild. 

–Vad gäller AI-forskning i Sverige är det för tillfället väldigt goda tider. Så jag kan inte klaga.

Att få läkare att delta kan möjligen vara en bromsande faktor. 

–Medicinska projekt kan vara svåra att få till eftersom det är ont om läkare som forskar, och de som gör det forskar bara lite av sin tid.

Kan medicinare på egen hand fördjupa sig i deep learning, utan hjälp av sådana som dig?

–Ja, i alla fall om man använder standardproblemformuleringar och har träningsdata. Tröskeln för att använda de här algoritmerna har sänkts oerhört. Jag vet också exempel på duktiga läkare som tagit fram egna algoritmer.

Annars hjälper Fredrik Kahls forskargrupp gärna till. I en stiftelse kallad Recomia har gruppen placerat en AI-plattform med verktyg för annotering och med algoritmer för bildigenkänning – allt gratis för forskare.

Hur ser vården ut den dag då de här AI-metoderna införts i full skala?

–Jag kan se scenariot framför mig att man tar en helkropps-CT eller -MR och så kommer det att köras en väldig massa algoritmer automatiskt på dem. Man kommer att upptäcka saker och ting mycket tidigare,

–Det traditionella radiologiarbete som läkare håller på med, kommer att bli en stödfunktion. Det arbete som de gör nu kommer i princip inte att behövas.

Startar bolag, forskar, löser mordgåtor

Fredrik Kahl läste datateknik på Lunds universitet på 90-talet och har forskat i datorseende sedan dess. Han doktorerade år 2001 för Gunnar Sparr, som var den som startade datorseende som forskningsområde på Matematikcentrum på Lunds universitet.

Medicinska tillämpningar engagerade Fredrik Kahl från början. 

–Jag gillar tillämpningsområden där man kan göra nytta.

Jo, han har till och med gjort nytta i en mordrättegång. I ett omtalat fall friades hemvårdaren Joy Rahman år 2002 efter åtta år i fängelse. Fredrik Kahl och en kollega gjorde en av många analyser av en central del av bevismaterialet – en tygtejp som utgjorde mordvapnet. De använde sin kompetens inom mönsterigenkänning för att undersöka om tygtejpen hade mönster som matchade en viss väggbonad, vilket skulle indikera att tejpen var tagen därifrån, och kompromettera Joy Rahman.

På Matematikcentrum i Lund knoppade Fredrik Kahl och hans kollegor flitigt av företag inom datorseendeområdet. Ett ovanlig arbetssätt på en institution där forskningen huvudsakligen var kring teoretisk matematik. 

–Men det känns som att inom den forskning vi gör är steget från teori till tillämpning inte så stort.

Med sin doktorand Jan Erik Solem – idag känd entreprenör – tog han patent på en teknik för att skapa 3D-modeller av ansikten från 2D-bilder. Patentet och algoritmer för att sätta namn på ansikten hamnade i ett företag, Polar Rose, som sedermera såldes till Apple för – gissningsvis – 200 miljoner kronor.

Fredrik Kahl har fortfarande företag i luften. Bolaget Eigenvision konsultar och tar fram produkter inom bildanalys, även utanför medicinområdet. Uppdragen kan vara att upptäcka metastaser i skelett eller räkna celler i fotografier. Bland klienterna finns Sahlgrenska sjukhuset och Region Skåne. 

År 2013 rekryterades Fredrik Kahl till Elektroteknik-institutionen på Chalmers. 

–Det är mer fokusering på forskning här. På matematik i Lund var det mycket undervisning – alla studenter läser ju matematik. 

Hans forskargrupp Datorseende och medicinsk bildanalys består av omkring 15 personer. Den röda tråden är att tolka bildinnehåll. Det är en färdighet som exempelvis självkörande fordon behöver.

I ett Vinnovafinansierat uppdrag med Volvo Trucks användes deep learning för att identifiera fordon, människor, skyltar och filmarkeringar. För att bestämma bilens exakta position på vägen och konstruera en 3D-karta ur videon användes andra bildanalysmetoder.

Fredrik Kahls medicinska projekten kan handla om att tolka kamerabild vid titthålskirurgi, tolka hjärtsäcksbilder eller dela upp bilder i segment för att identifiera vävnad eller peka ut organ. Just nu ägnar gruppen mycket tid åt att analysera skikt- och magnetröntgenbilder från Scapisprojektet.

Andra av Fredrik Kahls projekt är rent teoretiska, som att försöka förstå varför artificiella neuronnät beräknar de funktioner de gör eller varför de konvergerar under träning.

Elektroteknikinstitutionen är mycket tillämpad, med många hårdvaruprojekt. 

Men du är ganska mjuk – dina forskning är mer om algoritmer än om elektroner?

–Definitivt. Jag ser mig som tillämpad matematiker. Jag bygger inte så mycket apparater.

 

MER LÄSNING:
 
Pappersmagasinet Nyhetsbrev
SENASTE KOMMENTARER
Kommentarer via Disqus

Vi gör Elektroniktidningen

Anne-Charlotte Sparrvik

Anne-Charlotte
Sparrvik

+46(0)734-171099 ac@etn.se
(sälj och marknads­föring)
Per Henricsson

Per
Henricsson
+46(0)734-171303 per@etn.se
(redaktion)

Anna Wennberg

Anna
Wennberg
+46(0)734-171311 anna@etn.se
(redaktion)

Jan Tångring

Jan
Tångring
+46(0)734-171309 jan@etn.se
(redaktion)