AI-baserat datorseende kan revolutionera vår hälsa

Maskinseende & Hälsa

Tillsammans med stora språkmodeller som ChatGPT är datorseende ett viktigt område inom AI. Neurala nätverk och djupinlärning gör det möjligt att analysera bilder och video och identifiera mönster i omgivningen. Det innebär inte att datorn ser eller förstår på samma sätt som en människa.

Tillämpningar omfattar bland annat förarstöd, automatiserad körning och robotar som arbetar utanför traditionella fabriksmiljöer. Graden av självständighet beror på system och användningsområde.

Sådana tillämpningar bidrar till marknadens utveckling. Originalet citerar en prognos om 9,2 miljarder dollar år 2029; det är en uppskattning för ett visst marknadssegment, inte ett garanterat utfall.

Källa: EPAM

Ett annat användningsområde är hälso- och sjukvård. Läkare använder visuell information vid undersökningar och vid tolkning av röntgen, datortomografi och andra medicinska bilder.

Bildtolkning kräver utbildning och erfarenhet och kan variera mellan bedömare. Automatiska mätningar har funnits länge, men variation mellan patienter och komplexa bilder kan begränsa dem.

Företag och forskare undersöker därför hur AI kan stödja bildanalys. Nyttan behöver visas för den specifika uppgiften och patientgruppen.

Direkt Visuell Undersökning

Vi har tidigare beskrivit en studie där AI analyserade öronvideor för att identifiera akut mellanöreinflammation i artikeln ”AI kan bli ett värdefullt verktyg för medicinsk diagnostik”. Studiens resultat innebär inte att AI generellt diagnostiserar bättre än läkare.

Liknande metoder studeras för andra tillstånd. Googles dermatologiska forskning omfattade 26 olika hudtillstånd, som i studiens sammanhang motsvarade omkring 80% av hudbesvären i primärvården. Det är ett system för differentialdiagnostiskt stöd, inte en garanti för diagnos. Andra projekt gäller diabetisk retinopati och att förutsäga risken för att utveckla diabetisk retinopati i framtiden. Klinisk användning och forskningsresultat måste skiljas åt.

Forskning har också undersökt samband som är svåra att bedöma visuellt utan beräkningsstöd, exempelvis att uppskatta tecken på anemi från näthinnebilder. Ett blodprov behövs normalt för att fastställa anemi. Andra modeller har undersökt att uppskatta risken för hjärt-kärlhändelser. Riskuppskattning är inte en säker förutsägelse för en enskild person.

AI kan även hjälpa till att uppmärksamma förändringar under en undersökning. Exempelvis används Iterative Health’s AI för att stödja upptäckt av polyper vid koloskopi. Det är inte samma sak som att diagnostisera både mag- och tjocktarmscancer.

Medicinsk Bildanalys

Medicinsk bilddiagnostik omfattar bland annat röntgen, datortomografi och ultraljud. Mer detaljerade bilder kan ge mer information men också öka mängden data som behöver tolkas.

AI kan stödja bildförbättring, informationshantering och analys.

Exempelvis använder Cleerly AI för analys av kranskärlsbilder från datortomografisk angiografi, CCTA, för att modellera kranskärlen i 3D och identifiera och kvantifiera förträngningar samt olika typer av plack. Resultaten används inom ett kliniskt arbetsflöde.

Butterfly Network (BFLY ) utvecklar bärbara ultraljudssystem med halvledarbaserade givare i stället för traditionella piezoelektriska kristaller. Bildfunktioner och AI-stöd kan underlätta undersökningar, men skapar inte automatiskt fullständiga 3D-modeller av alla inre organ.

Källa: Butterfly Network

Verisound, GE HealthCares portfölj av digitala lösningar och AI för ultraljud, omfattar stöd för arbetsflöden, bildinsamling och rapportering. Vissa verktyg ger vägledning eller automatiserade mätningar för särskilda undersökningar. Verisound är ett produktvarumärke, inte ett separat dotterbolag.

Googles AI-forskning omfattar också att upptäcka bröstcancer och minska tidsåtgången för vissa uppgifter inom cancervården. Verklig effekt på arbetsbelastning och bemanning måste utvärderas i vården.

Företaget Oxipit har olika verktyg för lungröntgen. ChestEye ger stöd för att identifiera fynd, medan ChestLink är avsett att automatisera rapportering av bilder som bedöms normala inom sin godkända användning. Båda är inte verktyg med samma uppgift att hitta missade lungtumörer.

Kirurgi

AI kan även stödja kirurger, till exempel med bildanalys och vägledning under vissa robotassisterade ingrepp. Stödet ersätter inte kirurgens ansvar.

Dr Eckhoff vid Massachusetts General Hospitals laboratorium för kirurgisk AI beskrev forskning om att förutse nästa moment i operationsvideo. Originalets uppgift om 15–30 sekunder är en beskrivning av vissa modeller, inte en generell förmåga hos all kirurgisk AI.

Ett exempel på teknikstöd är franska Pixee Medical, som använder kamera- och förstärkt verklighetsteknik med mobiltelefon eller smarta glasögon för ortopedisk kirurgi.

Bildanalys kan också stödja dokumentation och kontroll av instrument. Originalet hänvisar till en uppskattning om cirka 1 500 fall per år i USA med föremål kvar i patienten efter operation. Uppskattningens definition och tidsperiod är viktiga. Automatisk spårning kan minska risk, men det är inte visat att problemet därmed elimineras helt.

Datahantering

Patientdata

Informationshantering är mindre synlig än bilddiagnostik men kan vara lika viktig för säker och sammanhållen vård.

Ansiktsigenkänning kan i vissa system bidra till patientidentifiering, exempelvis genom leverantörer som Facia. Tekniken kan också göra fel och kräver genomtänkt hantering av integritet, samtycke och andra identitetskontroller.

Ett annat behov är att samla patientens relevanta information, exempelvis radiologiska bilder, journaler från olika vårdgivare och läkemedelsordinationer.

Att koppla samman olika system kan vara komplicerat. Verktyg från exempelvis CloudMedxHealth kan stödja informationsintegration och analys. Datakvalitet och åtkomstkontroll är fortsatt viktiga.

Källa: CloudMedxHealth

Data kan även analyseras på befolkningsnivå. Exempelvis använder Komodo Health vårddata för att beskriva vårdförlopp och mönster i USA. Det är inte en fullständig direktbild av varje patient eller hela vårdsystemet.

Övervakning

AI-baserad bildanalys kan undersökas för uppföljning av hygienrutiner och andra arbetsmoment i vårdmiljön. Sådan övervakning kräver tydliga ändamål och respekt för patienter och personal.

Bild- och rörelseanalys i hemmet kan också stödja uppföljning och vissa rehabiliteringsprogram. Det kan öka tillgängligheten, men kostnadsbesparingar och klinisk nytta varierar.

Övervakning i hemmet kan omfatta falldetektering och larm till en utsedd kontakt eller larmtjänst, beroende på systemets utformning. Alla lösningar ringer inte automatiskt räddningstjänsten.

Digital vård kan också använda andra former av AI, exempelvis språk- och ljudanalys från Corti. Det är inte nödvändigtvis datorseende. Vi behandlar närliggande investeringsteman i ”Vård hemifrån: fem aktier inom telemedicin”.

Förbättra Medicinsk Forskning

Biologiska och medicinska data är ofta komplexa och varierande. Det gör analysen svår, men innebär inte att biologi är en mindre vetenskaplig eller mindre stringent disciplin.

Variationen beror bland annat på att biologiska prov innehåller många samverkande komponenter och skiljer sig mellan individer.

Vissa mikroskopiska bedömningar görs manuellt och kan variera mellan bedömare. Blodstatus analyseras däremot ofta med automatiserade instrument; det är fel att beskriva hela området som manuell räkning.

Datorseende kan stödja digital mikroskopi. Exempelvis används Shonit från SigTuple för analys av perifera blodutstryk och förklassificering av blodceller. Det är inte en garanti för felfri räkning av alla celltyper eller en ersättning för all laboratoriebedömning.

Källa: Sigtuple

Verktyg från exempelvis Enlitic kan standardisera medicinska bilders metadata och beskrivningar, vilket kan förbättra hur dataset används. Standardisering är inte samma sak som att all diagnostisk annotering automatiseras.

Forskningen behöver också hantera växande datamängder från genomik, transkriptomik, proteomik och andra områden. Vi har beskrivit detta i ”Multiomik är nästa steg inom bioteknik”.

AI används också för att utveckla verktyg för genredigering, vilket vi diskuterade i ”AI-baserad genredigering med OpenCRISPR-1”.

Stöd vid synnedsättning och andra funktionsnedsättningar

Datorseende kan hjälpa personer med synnedsättning att identifiera föremål eller beskriva omgivningen. Funktionernas tillförlitlighet varierar, särskilt i säkerhetskritiska situationer.

Textigenkänning kan kombineras med uppläsning för att göra tryckt information mer tillgänglig.

Ansiktsuttryck och gester kan också användas för att styra vissa hjälpmedel och digitala enheter.

Företag inom datorseende

1. Alphabet

Google är ett stort teknikföretag, bland annat inom söktjänster och operativsystemet Android.

Företaget bedriver omfattande AI-forskning med en stark närvaro inom maskinseende för sjukvård, med projekt för bland annat sjukdomsdetektion och stöd till behandling. Varje produkt och forskningsresultat behöver bedömas för sig.

AI används även utanför datorseende. Exempelvis kan AlphaFold AI förutsäga proteinstrukturer, vilket kan stödja forskning och läkemedelsutveckling. Strukturprediktion visar inte i sig ett nytt läkemedels effekt eller säkerhet. Vi diskuterade området i ”Modellering pekar på möjligheter för AI-baserad läkemedelsutveckling”.

Källa: News Medical

Googles hälsoinriktade AI-arbete omfattar Med-PaLM, som visat goda resultat på medicinska provfrågor. Det är inte samma sak som säker klinisk kompetens. Andra verktyg är Open Health Stack för utvecklare, DeepVariant för analys av genetiska varianter och djupinlärning för elektroniska patientjournaler.

Även Google’s Vision AI har användningar utanför vården, exempelvis bild- och dokumentanalys. Alla generativa eller transportrelaterade AI-system tillhör inte samma produkt.

Alphabet(GOOG )/Google är därmed en stor aktör inom AI, även i vårdrelaterad forskning och datorseende. Marknadsstorlek är inte en garanti för medicinsk nytta eller investeringsavkastning.

2. Butterfly Network

Butterfly utvecklar bärbara ultraljudsverktyg och programvara för vårdens arbetsflöden, bland annat ”Compass”. Compass är inte ett självständigt diagnostiksystem.

Källa: Butterfly Network

Företagets tredje generation av ultraljudsprob presenterades 2024 under namnet iQ3. Enligt lanseringsbeskedet har den dubbelt så hög dataöverföringshastighet som föregångaren och dubbla bearbetningskapaciteten jämfört med iQ+. Den använder halvledarbaserad Ultrasound-on-Chip-teknik i stället för traditionella piezoelektriska givare.

iQ3 innehåller förbättrade bildfunktioner, bland annat 3D-relaterade lägen, flerplansvisning, integration med programvara och snabb start. Pris och tillgänglighet varierar mellan marknader och abonnemang.

AI och andra algoritmer kan stödja bildtagning, vissa automatiska mätningar och utbildning. Det innebär inte att alla diagnoser ställs automatiskt.

Källa: Butterfly Network

Butterfly har utökat distributionen till fler marknader, bland annat delar av Asien, och erbjuder även veterinärmedicinska produkter. Användningen av bärbart ultraljud för exempelvis nötkreatur är ett separat tillämpningsområde med egna krav.