AI på vei til å bli et uunnværlig verktøy for medisinsk diagnostikk

Nye verktøy for gammel diagnostikk

Since the dawn of medicine, many diagnostics rely on the visual inspection of a patient. This is still true for ear infections, usually requiring an experienced clinician to be properly diagnosed.

I dette spesifikke tilfellet spiller legens erfaring og ferdigheter en stor rolle, som tidligere studier av klinikere har rapportert diagnostisk nøyaktighet for AOM fra 30 % til 84 %, avhengig av type helsepersonell, utdanningsnivå og alder på de undersøkte barna.

Som et resultat blir mange øreinfeksjoner feildiagnostisert som otitis media med væskeansamling, eller væske bak øret, en tilstand som vanligvis ikke involverer bakterier og ikke drar nytte av antimikrobiell behandling.

Men et nytt verktøy er nå utviklet for å hjelpe leger, basert på fremveksten av AI‑maskinsyn, sammen med smarttelefonenes allestedsnærværende tilstedeværelse. Og det kan bidra til å redusere unødvendig bruk av antibiotika, som fører til den problematiske fremveksten av antibiotikaresistens.

“Underdiagnostisering fører til utilstrekkelig omsorg og overdiagnostisering fører til unødvendig antibiotikabehandling, som kan svekke effektiviteten til de tilgjengelige antibiotika. Vårt verktøy hjelper med å få riktig diagnose og veilede riktig behandling.”

Alejandro Hoberman, M.D., Professor i pediatri and director of the Division of General Academic Pediatrics at Pitt’s School of Medicine.

Kilde: UPMC

Det er også et svært vanlig problem, med 70 % av barn som får en øreinfeksjon i sitt første leveår.

AI-diagnostikk

Prof. Hoberman samarbeidet med forskere ved Tandon School of Engineering i NY, Bosch Center for Artificial Intelligence i Pittsburgh, og Dcipher Analytics i Stockholm, Sverige, for å utvikle et AI‑verktøy for påvisning av øreinfeksjoner.

De publiserte sine funn i JAMA Pediatrics, under tittelen “Development and Validation of an Automated Classifier to Diagnose Acute Otitis Media in Children”.

Det resulterende AI‑verktøyet krever kun et otoskop koblet til et smarttelefonkamera.

De laget to forskjellige AI‑modeller og brukte en database med 1 151 videoer av trommehinnen fra 635 barn. Deretter ba de eksperter om å manuelt annotere hver av videoene som enten tilsvarende en øreinfeksjon eller ikke.

921 videoer ble brukt til å trene AI‑en, og de resterende 230 videoene ble brukt som test for å vurdere AI‑ens nøyaktighet.

Blant parametrene som ble målt for korrekt diagnostikk var formen, fargen, posisjonen og gjennomsiktigheten til trommehinnen.

Kilde: UPMC

Overlegne medisinske resultater

Begge modellene var svært nøyaktige, med en sensitivitet på 9.38 % og en spesifisitet på 93.5 %. Dette betyr at AI‑ene ikke bare oppdaget infeksjonen nøyaktig, men også hadde en svært lav andel falske negativer og falske positiver.

Det er også verdt å merke seg at dette er en bedre nøyaktighet enn selv de beste resultatene oppnådd ved visuell identifikasjon av leger, og mye høyere enn resultatene oppnådd under mindre ideelle forhold (yngre barn, uerfarne leger, osv.).

Videoen kan tas opp og arkiveres. Dette kan først brukes til å forklare diagnosen til pasienten eller pasientens foreldre og arkiveres i pasientens journal. De innspilte videoene kan også brukes til å trene medisinstudenter eller residenter og gi et verdifullt undervisningsverktøy for sykehus og medisinske praksiser.

Den bør også hjelpe fastleger med å stille riktig diagnose og redusere overforskrivning av antibiotika.

Enkelheten i implementeringen av dette verktøyet, som kun bruker en lege‑smarttelefon og et otoskop, bør også muliggjøre en svært rask utrulling og enkel adopsjon.

AI-diagnostikkselskaper

I lang tid fungerte ikke anvendelsen av AI på komplekse miljøer som menneskekroppen, da den slet med å håndtere “rotet” i de leverte dataene.

Ny teknologi som nevrale nettverk har endret dette, og skapt “maskinsyn”, hvor noen av de mest kjente anvendelsene er selvkjørende biler.

Mange medisinske diagnoser i dag er fortsatt avhengige av legers mening og ekspertise som kommer fra manuell studie av tusenvis av bilder fra skannere, MR og også trommehinnen. Hvis AI nå kan bestemme hvor syklister er på veien, blir de også bedre, om ikke bedre enn mennesker, til å oppdage infeksjoner, svulster og andre medisinske problemer.

Mange store selskaper integrerer AI i sine bildesystemer, som GE Healthcare, Siemens Healthineers , Canon Medical og Philips. På grunn av selskapenes størrelse er de imidlertid knapt rene aktører innen AI‑medisinsk diagnostikk.

Andre mer fokuserte oppstartsbedrifter er privatnoterte, som PathAI og Viz.AI for eksempel. Så vi fokuserte på børsnoterte aksjer i stedet.

1. Butterfly Network

Butterfly er både utvikleren av et avansert ultraportabelt ultralyddiagnostisk verktøy og en integrert programvare som bruker AI for å hjelpe diagnosen, kalt “Compass”.

Kilde: Butterfly Network

Selskapet er nå på sin 3^rd generasjon av ultralydproben, med lanseringen i 2024 av iQ3, med høyere dataoverføringshastighet og 2x prosesseringskraft sammenlignet med versjonen før den. Som alle tidligere Butterfly‑ultralydprober, baserer den seg på overlegen halvleder “ultrasound‑on‑chip”‑teknologi i stedet for klassiske piezoelektriske sensorer.

iQ3 tilbyr en overlegen brukeropplevelse, inkludert muligheten til å visualisere både 3D og flere plan samtidig, integrert sky‑programvare, og rask oppstart, alt til en lavere pris.

Selskapet bruker AI til å forbedre bildene, automatisk generere diagnostisk relevante målinger, samt tilby opplærings‑ og undervisningspraksis.

Kilde: Butterfly Network

Butterfly ekspanderer raskt inn i nye markeder i Asia (Singapore, Indonesia, Filippinene osv.), og også i veterinærmarkedet, for eksempel ved å sjekke helsen til kveg på beite, ved å utnytte den ultraportable naturen til ultralydverktøyet.

2. Enlitic (ENL.AX)

Enlitic har utviklet et AI‑system for å analysere radiologibilder og automatisk generere standardiserte beskrivelser av bildene. Dette representerer dermed neste steg i store radiologibildedata, etter innføringen av tekniske standarder som DICOM eller HL7.

For å gjøre dette, bruker Enlitics teknologi datamaskinsyn og naturlig språkbehandling for å analysere DICOM‑bilder, og identifiserer ulike parametere som kroppsdeler, orientering, kontrast og skivetykkelse for CT‑, MR‑ og røntgenbilder.

Kilde: Enlitic

Denne typen standardisering vil være nødvendig for fremdriften av AI i radiologi, samt telemedisin og automatisering. Den vil gi interoperabilitet mellom systemer, avhengig av et pålitelig merkingssystem.

Den bør også bidra til inntektsgenerering fra disse dataene for sykehus og radiologisentre, for å levere anonymiserte og standardiserte data til annen AI‑trening.