AIDA leder vägen för nya AI-lösningar i vården

AI-arenan AIDA firar femårsjubileum 2022. Sedan starten har närmare 200 vårdanställda utbildats i användningen av AI för medicinsk bildanalys, och cirka 50 innovationsprojekt fått stöd. Christian Jamtheim Gustafsson är en av de som dragit nytta av arenan.
– AIDA har varit avgörande både för min kompetensutveckling och införandet av de AI-modeller som i dag är i klinisk bruk vid Skånes universitetssjukhus, säger han.

Analytic Imaging Diagnostics Arena, AIDA, firar femårsjubileum i november. AIDA är en nationell arena för forskning och innovation kring artificiell intelligens för medicinsk bildanalys. Här erbjuds ett brett stöd av allt från utbildningar till infrastruktur, projektstöd och finansiering samt stöd till klinisk utvärdering.
– Våra första fem år har varit en fantastisk resa där vi tillsammans med partners, finansiärer och innovatörer tagit stora kliv för en mer utbredd användning av AI i vården, säger Claes Lundström.
AIDA är ett strategiskt projekt inom Medtech4Health som också finansierar satsningen.

AIDAs community viktigt
Christian Jamtheim Gustafsson är AI-forskare kopplad till Lunds Universitet samt sjukhusfysiker på Skånes universitetssjukhus och delar sin tid mellan klinisk tjänstgöring och forskning. Han har både deltagit i programmet AIDA Fellowships och lett flera projekt som utvärderat och utvecklat användningen av AI för strålbehandling av cancertumörer.

Christian Jamtheim Gustafsson.

– Utan AIDA hade inte projekten varit möjliga. Arenan har gett tillgång till finansiering men framförallt så har AIDAs community betytt oerhört mycket. Vid deras nationella träffar får du möjligheten att möta AI-kompetens från hela landet, allt från kliniker till matematiker, vilket är helt unikt, säger Christian Jamtheim Gustafsson.
AIDAs community inkluderar i dag cirka 50 partners inom akademi, näringsliv och hälso- och sjukvården.
Under sin doktorandtid utvecklade Christian Jamtheim Gustafsson nya metoder för att planera strålbehandling med hjälp av bildtagning med magnetkamera. Magnetkameran gör det möjligt att visualisera mjukdelsvävnader på ett sätt som andra röntgenmetoder inte kan. Snart väcktes hans intresse för att även inkludera AI.
– Över hela det naturvetenskapliga fältet så ser vi hur AI kan ge lösningar som överträffar alla tidigare metoder. Stråldosplaneringen blir mycket mer tidseffektiv och AI eliminerar de skillnader som finns mellan bedömningarna från olika onkologer. I dag använder vi rutinmässigt AI i klinik vid Skånes universitetssjukhus.

Dramatiskt kortare tid med AI
När cancertumörer ska strålbehandlas planeras behandlingen med hjälp av medicinska bilder, ofta tagna både med datortomografi och magnetkamera. Bilderna visar var tumören finns men måste kompletteras med en uppmärkningen och utritning av de områden som absolut inte får bestrålas för mycket, de så kallade riskorganen.
Traditionellt är denna uppmärkning ett arbete som utförs av en onkolog eller annan medicinsk personal. Men att ta hjälp av en AI-modell ökar effektiviteten dramatiskt.
– Inför en strålbehandling av hals och nacke kan det ta en läkare cirka två timmar att identifiera och märka ut tumören och riskorganen. För en AI-modell tar samma uppgift under en minut, säger han.
– Vi ser ett pågående paradigmskifte där användningen av AI-metoder ger ökad prestanda och större generaliserbarhet. Modellerna blir allt mer flexibla och ger mer konsekventa resultat.
Samtidig är det viktigt att använda AI-modellerna rätt, menar han. En AI-modell blir aldrig bättre än det material som den tränats med vilket kräver god tillgång till stora mängder kvalificerade data. Finns det fel eller snedvridningar i informationen som tränar modellen så kommer modellen att återspegla dem.
– Att lita blint på resultaten från en AI-modell kan vara farligt. Dessutom är det viktigt att modellerna används för det ändamål de är menade och inget annat.

Enklare regler för datadelning
Han efterlyser enklare sätt att dela träningsdata mellan olika vårdgivare. Delade data gör det möjligt att träna AI-modellen bättre och kan ge mer generella resultat för fler patienter.
– Vi behöver en harmonisering av reglerna som styr delningen av data. Ett enklare regelverk öppnar för en bredare användning och en större generaliserbarhet där modellerna blir anpassade för alla slags patienter.
Området rör sig mycket snabbt där AI får allt fler kliniska tillämpningar. För att möta utvecklingen behövs mer utbildning, menar han. Både för vårdpersonal och för dagens studenter som kommer att möta tekniken i yrkeslivet.
Nästa steg i hans forskning är att utveckla metoder som kan visa hur säker en AI är på ett visst resultat.
– Vi behöver veta vilka osäkerheter som finns både i den underliggande informationen och i själva AI-modellen. Dessa kan visa hur säkert ett visst resultatet verkligen är. Sen är jag nyfiken på hur den kunskapen påverkar hur vi använder AI-modellerna, säger Christian Jamtheim Gustafsson.