AI på väg att bli ett ovärderligt verktyg för medicinsk diagnos

New Tools For Old Diagnosis

Sedan medicinens begynnelse har många diagnostiska metoder förlitat sig på visuell inspektion av patienten. Detta gäller fortfarande för öroninflammationer, som vanligtvis kräver en erfaren kliniker för att bli korrekt diagnostiserade.

I just detta fall spelar läkarens erfarenhet och skicklighet en stor roll, som tidigare studier av kliniker har rapporterat en diagnostisk noggrannhet för AOM på mellan 30 % och 84 %, beroende på typ av vårdgivare, utbildningsnivå och barnens ålder som undersöks.

Som ett resultat diagnostiseras många öroninflammationer felaktigt som otitis media med vätska, eller vätska bakom örat, ett tillstånd som vanligtvis inte involverar bakterier och som inte drar nytta av antimikrobiell behandling.

Men ett nytt verktyg har nu utvecklats för att hjälpa läkare, baserat på framväxten av AI-maskinseende i kombination med smarttelefonernas allestädes närvaro. Det kan hjälpa till att minska onödig användning av antibiotika, vilket leder till den problematiska uppkomsten av antibiotikaresistens.

“Underdiagnostisering leder till otillräcklig vård och överdiagnostisering leder till onödig antibiotikabehandling, vilket kan äventyra effektiviteten hos de för närvarande tillgängliga antibiotika. Vårt verktyg hjälper till att få rätt diagnos och vägleda rätt behandling.”

Alejandro Hoberman, M.D., professor i pediatrik och chef för Divisionen för allmän akademisk pediatrik vid Pitts Medicinska fakultet.

Källa: UPMC

Det är också ett mycket vanligt problem, där 70 % av barnen får en öroninflammation under sitt första levnadsår.

AI Diagnosis

Prof. Hoberman samarbetade med forskare vid Tandon School of Engineering i NY, Bosch Center for Artificial Intelligence i Pittsburgh och Dcipher Analytics i Stockholm, Sverige för att utveckla ett AI-verktyg för upptäckt av öroninflammation.

De publicerade sina fynd i JAMA Pediatrics, under titeln “Utveckling och validering av en automatiserad klassificerare för att diagnostisera akut otitis media hos barn.”

Det resulterande AI-verktyget kräver endast ett otoskop anslutet till en smartphone-kamera.

De skapade två olika AI-modeller och använde en databas med 1 151 videor av trumhinnan från 635 barn. De bad sedan experter att manuellt annotera varje video som antingen en öroninflammation eller inte.

921 videor användes för att träna AI:n, och de återstående 230 videorna användes som test för att bedöma AI:ns noggrannhet.

Bland de parametrar som mättes för korrekta diagnoser fanns form, färg, position och genomskinlighet hos trumhinnan.

Källa: UPMC

Superior Medical Results

Båda modellerna var mycket exakta, med en sensitivitet på 9,38 % och en specificitet på 93,5 %. Detta innebär att AI:erna inte bara upptäckte infektionen korrekt, utan också hade en mycket låg andel falska negativa och falska positiva.

Det är också värt att notera att detta är en bättre noggrannhet än ens de bästa resultaten som uppnåtts genom visuell identifiering av läkare, och mycket högre än resultaten som erhållits under mindre ideala förhållanden (yngre barn, otränade läkare, etc.).

Videon kan spelas in och arkiveras. Detta kan först användas för att förklara diagnosen för patienten eller patientens föräldrar och arkiveras i patientens journal. De inspelade videorna kan också användas för att utbilda medicinstudenter eller residenter och fungera som ett värdefullt undervisningsverktyg för sjukhus och medicinska praktiker.

Det bör också hjälpa familjeläkare att göra rätt diagnos och minska överförskrivning av antibiotika.

Enkelheten i implementeringen av detta verktyg, som endast använder en läkares smartphone och ett otoskop, bör också möjliggöra en mycket snabb utrullning och enkel adoption.

AI Diagnostic Companies

Under en lång tid fungerade det inte att tillämpa AI på komplexa miljöer som den mänskliga kroppen, eftersom den hade svårt att hantera dataens ”oordning”.

Nya teknologier som neurala nätverk har förändrat detta och skapat ”maskinseende”, där några av de mer välkända tillämpningarna är självkörande bilar.

Många medicinska diagnoser idag förlitar sig fortfarande på läkares åsikter och den expertis som kommer från att manuellt studera tusentals bilder från skannrar, MR och även trumhinnor. Om AI nu kan avgöra var cyklister befinner sig på vägen, blir de också bättre, om inte bättre än människor, på att upptäcka infektioner, tumörer och andra medicinska problem.

Många stora företag integrerar AI i sina bildsystem, som GE Healthcare, Siemens Healthineers, Canon Medical och Philips. På grund av företagens storlek är de dock knappt rena aktörer inom AI-medicinsk diagnostik.

Andra mer fokuserade startups är privat listade, som exempelvis PathAI och Viz.AI. Därför fokuserade vi på börsnoterade aktier istället.

1. Butterfly Network

Butterfly är både utvecklare av ett avancerat ultraportabelt ultraljudsdiagnostikverktyg och en integrerad mjukvara som använder AI för att hjälpa diagnoser, kallad ”Compass”.

Källa: Butterfly Network

Företaget är nu på sin tredje generation av ultraljudsproben, med lanseringen 2024 av iQ3, som har högre dataöverföringshastighet och dubbelt så hög bearbetningskraft som föregående version. Precis som alla tidigare Butterfly-ultraljudsprober förlitar den sig på den överlägsna halvledartekniken ”ultrasound-on-chip” istället för klassiska piezoelektriska sensorer.

iQ3 erbjuder en överlägsen användarupplevelse, inklusive möjligheten att visualisera både 3D och multiplan samtidigt, integrerad molnmjukvara och snabb uppstart, allt till ett lägre pris.

Företaget använder AI för att förbättra bilderna, automatiskt generera diagnosrelevanta mätningar samt tillhandahålla tränings-/undervisningspraktik.

Källa: Butterfly Network

Butterfly expanderar snabbt till nya marknader i Asien (Singapore, Indonesien, Filippinerna osv.) och även inom veterinärmarknaden, till exempel för att kontrollera hälsan hos boskap på utfodringsanläggningar, genom att utnyttja ultraportabiliteten hos deras ultraljudsverktyg.

2. Enlitic (ENL.AX)

Enlitic har utvecklat ett AI-system för att analysera radiologibilder och automatiskt generera standardiserade beskrivningar av bilderna. Detta representerar nästa steg i radiologibildernas big data, efter införandet av tekniska standarder som DICOM eller HL7.

För att göra detta använder Enlitics teknik datorseende och naturlig språkbehandling för att analysera DICOM-bilder, identifiera olika parametrar som kroppsdelar, orientering, kontrast och skikttjocklek för CT-, MR- och röntgenbilder.

Källa: Enlitic

Denna typ av standardisering kommer att krävas för AI:s framsteg inom radiologi, samt telemedicin och automatisering. Den kommer att möjliggöra interoperabilitet mellan system, beroende på ett pålitligt märkningssystem.

Den bör också hjälpa till att monetisera dessa data för sjukhus och radiologicenter, för att tillhandahålla anonymiserade och standardiserade data för annan AI‑träning.