Teknologi og sundhed bindes tættere sammen

Radiologi indebærer ofte at analysere store mængder billedmateriale for at identificere og diagnosticere sygdomme som tumorer eller infektioner i hjernen. Det er en kompleks og tidskrævende opgave, der kræver en erfaren specialist.

Men en del af opgaven kan gøres lettere – nemlig ved at binde teknologi og sundhed tættere sammen.

Det ved Kristoffer Hougaard Madsen, der er nytiltrådt professor på Billeddiagnostisk Afdeling på SUH og første professor inden for Det Tekniske Universitetshospital. Hans fokusområde er, hvordan teknologi, data og AI kan støtte, forbedre og udvikle mange af de opgaver, der leder frem til en diagnose og behandlingsplan.

En særlig hjælper

En af de første opgaver for Kristoffer Hougaard Madsen og hans team er at etablere AI som et støtteværktøj i forbindelse med den daglige diagnostik og til at prioritere hurtig beskrivelse af billeder, som kræver akut behandling.

- Forskning viser, at AI og algoritmer i nogle tilfælde kan være lige så nøjagtige som mennesker til at skelne mellem forskellige typer væv på billeder og kan hjælpe med at analysere og identificere læsioner i hjernen. Det er særligt, når det drejer sig om tidskrævende opgaver, som involverer gentagelse af store datamængder. AI skal ses som et værktøj, der laver det langsommelige arbejde med at gennemgå store mængder billedmateriale, hvorefter radiologer vurderer materialet, forklarer han.

En vidensbank

Med de rette databaser og tilladelser til at trække på anonymiseret billedmateriale kan AI-værktøjer blive en vigtig støtte til at trække på tidligere erfaringer. AI kan søge efter lignende cases i en anonymiseret database og matche nye billeder med tidligere tilfælde, hvilket kan spare tid, øge præcisionen og overlade de mest komplekse opgaver til radiologerne.

- Særligt nyuddannede radiologer kan få hjælp fra værktøjet, da AI kan give adgang til den viden, som erfarne radiologer har, vurderer Kristoffer Hougaard Madsen.

Lærer undervejs

AI er allerede et værktøj i billeddiagnostik og effektiv til at trække på store mængder data for at give et svar. AI er arbejdsom og flittig, men også begrænset, da den er god til at trække på statiske data, men dårlig til at vide, hvad den ikke ved.

- En radiolog kan afgøre, at der mangler informationer, et område hvor der stadig er betydelige udfordringer for AI-baserede metoder. Der arbejdes dog med AI-modeller, der kontinuerligt lærer og forbedrer sig baseret på nye data. Det er en spændende udvikling med stort potentiale til at ændre radiologers arbejde, gøre processerne mere effektive og give patienterne hurtigere og mere præcise diagnoser.