Kunstig Intelligens Kan Understøtte Medicinsk Diagnostik

Nye Værktøjer til en Velkendt Diagnose

Mange medicinske diagnoser bygger på visuel undersøgelse af patienten. Det gælder også akut mellemørebetændelse, hvor en korrekt vurdering af trommehinden kræver klinisk erfaring.

Lægens erfaring og uddannelse har betydning. Tidligere undersøgelser har rapporteret en diagnostisk nøjagtighed for akut mellemørebetændelse på mellem 30 % og 84 %, afhængigt af behandlerens faggruppe, uddannelsesniveau og børnenes alder.

Akut mellemørebetændelse kan forveksles med væske i mellemøret uden akut infektion, og forvekslingen kan gå begge veje. Væske alene kræver normalt ikke antibiotika.

Et nyt værktøj kombinerer billedanalyse med kunstig intelligens og optagelser fra et otoskop tilsluttet en smartphone. Det kan muligvis understøtte diagnostikken og mindske unødvendig antibiotikabehandling, som bidrager til resistens.

Hoberman forklarer, at underdiagnosticering kan medføre utilstrækkelig behandling, mens overdiagnosticering kan føre til unødvendig brug af antibiotika. Værktøjet skal understøtte en korrekt diagnose og behandling.

Alejandro Hoberman, læge, professor i pædiatri og leder af afdelingen for almen akademisk pædiatri ved University of Pittsburghs medicinske fakultet.

Kilde: UPMC

Mellemørebetændelse er almindelig hos små børn. UPMC angiver, at omkring 70 % oplever en øreinfektion inden deres første fødselsdag.

AI-diagnose

Hoberman samarbejdede med forskere fra Tandon School of Engineering i New York, Bosch Center for Artificial Intelligence i Pittsburgh og Dcipher Analytics i Stockholm om at udvikle værktøjet.

De offentliggjorde resultaterne i JAMA Pediatrics under titlen »Udvikling og Validering af en Automatisk Klassifikator til Diagnosticering af Akut Mellemørebetændelse hos Børn«.

Systemet analyserer videoer fra et otoskop forbundet med et smartphonekamera; det er ikke en diagnose baseret på telefonkameraet alene.

Forskerne udviklede to modeller med et datasæt på 1.151 videoer af trommehinden fra 635 børn. Eksperter vurderede videoerne og fastlagde, om der var akut mellemørebetændelse.

921 videoer blev brugt til træning og 230 til at afprøve modellernes nøjagtighed.

Relevante visuelle kendetegn omfattede trommehindens form, farve, placering og gennemskinnelighed.

Kilde: UPMC

Lovende Resultater i Testdatasættet

Modellen med et dybt residualt rekurrent neuralt netværk havde en sensitivitet på 93,8 % og en specificitet på 93,5 %. Beslutningstræsmodellen opnåede henholdsvis 93,7 % og 93,3 %. Sensitiviteten angiver andelen af tilfælde, der opdages, mens specificiteten angiver andelen uden sygdommen, der klassificeres korrekt.

Resultaterne var bedre end flere tidligere rapporter om klinikeres vurderinger. Sammenligninger på tværs af forskellige undersøgelser beviser dog ikke, at systemet generelt er bedre end læger i almindelig klinisk praksis.

Videoerne kan gemmes i patientjournalen, bruges til at forklare vurderingen for forældre og indgå i undervisning af medicinstuderende og yngre læger.

Værktøjet kan muligvis hjælpe praktiserende læger med at skelne mellem tilstande og reducere unødvendige antibiotikaordinationer.

En smartphone og et kompatibelt otoskop kan gøre udstyret tilgængeligt, men klinisk indførelse kræver også validering, arbejdsgange, uddannelse og relevante godkendelser.

AI-diagnostikvirksomheder

Anvendelse af kunstig intelligens på medicinske data har længe været udfordrende på grund af variation i datakvalitet, patienter og undersøgelsesmetoder.

Neurale netværk har forbedret computerbaseret billedanalyse, som også bruges uden for sundhedsvæsenet, eksempelvis i førerassistentsystemer.

Mange diagnoser kræver fortsat lægefaglig vurdering af CT-, MR- og andre billeder. AI kan understøtte visse afgrænsede opgaver, men resultater fra én opgave kan ikke overføres direkte til alle infektioner, tumorer eller patienter.

Flere store virksomheder integrerer AI i deres billedsystemer, blandt andre GE Healthcare, Siemens Healthineers, Canon Medical og Philips. De har dog brede produktporteføljer og giver derfor ikke en ren eksponering mod AI-baseret diagnostik.

Mere specialiserede virksomheder som PathAI og Viz.AI er private selskaber. Nedenfor omtales i stedet børsnoterede virksomheder.

1. Butterfly Network

Butterfly udvikler bærbare ultralydssystemer og software. Virksomhedens platform »Compass« understøtter blandt andet arbejdsgange, dokumentation og administration; den er ikke i sig selv en selvstændig diagnostisk AI.

Kilde: Butterfly Network

Virksomhedens ^tredje generation af ultralydsproben blev lanceret i 2024 som iQ3. Ifølge Butterfly har den både dobbelt så høj dataoverførselshastighed og dobbelt så stor processorkraft som forgængeren. Den anvender halvlederbaseret ultralydsteknologi frem for traditionelle piezoelektriske elementer.

iQ3 har funktioner til billeddannelse i flere planer og 3D-visning samt integration med virksomhedens software. Funktioner, abonnementer og priser afhænger af produktversion og marked.

Butterfly anvender også AI til billedvejledning, automatiske målinger og uddannelsesfunktioner. Godkendte anvendelser skal vurderes for den enkelte funktion.

Kilde: Butterfly Network

Virksomheden har udvidet sin tilstedeværelse på asiatiske markeder og inden for veterinærmedicin. Bærbart ultralydsudstyr kan blandt andet anvendes til undersøgelser af dyr på landbrug.

2. Enlitic (ENL.AX)

Enlitic udvikler AI til at analysere og standardisere beskrivelser og metadata for radiologiske billeder. Det understøtter håndtering af billeddata og supplerer tekniske standarder som DICOM; det er ikke det samme som automatisk sygdomsdiagnostik.

Teknologien anvender computerbaseret billedanalyse og sprogbehandling til at identificere egenskaber som kropsdel, orientering, kontrast og snittykkelse i CT-, MR- og røntgenundersøgelser.

Kilde: Enlitic

Standardiserede metadata kan forbedre søgning, interoperabilitet og automatisering og gøre datasæt mere anvendelige til forskning og AI-udvikling.

Hospitaler og radiologiske centre kan også undersøge muligheden for at stille standardiserede, anonymiserede data til rådighed. Det kræver lovligt behandlingsgrundlag, tilstrækkelig beskyttelse af patientoplysninger og klare aftaler.