Medisinsk bildediagnostikk ved bruk av dyplæring

I en tid hvor kunstig intelligens (KI) revolusjonerer mange sektorer, står det medisinske feltet foran betydelige gevinster. Radiologi, som har gjennomgått store teknologiske fornyelser de siste tjue årene, har blitt stadig viktigere for diagnose og behandling av sykdommer. Men denne veksten har også medført utfordringer knyttet til økt avhengighet av radiologi og en mangel på radiografisk ekspertise. Behovet for innovative verktøy er mer presserende enn noensinne, og interessen for bruk av kunstig intelligens er stor. Men til tross for den store entusiasmen rundt teknologien, er det få løsninger som har funnet veien til klinisk praksis og arbeidsflyt, spesielt innen 3D-bildebehandling som MR og CT. 

Utfordringer med reprodusering av resultater

I tillegg ser det ut til at deler av det medisinske kunstig intelligens-feltet står overfor en reproduserbarhetskrise. Årsakene til dette kan være mange, blant annet teknisk gjeld (“technical debt”), over- tilpassede modeller, seleksjonsskjevhet og omfattende preprossesering av datasett i det vitenskapelige miljøet som ikke gjenspeiler klinisk mangfold og lokale variasjoner. Mange forskningsfunn blir også publisert uten tilhørende kode eller tilstrekkelig dokumentasjon, noe som både vanskeliggjør reproduksjon av resultater og bremser videre innovasjon. 

Dyplæringsbasert tiltak

Ett mulig avbøtende tiltak er å utvikle dyplærings-rammeverk for medisinsk bildediagnostikk som fremmer tverrfaglig samarbeid, legger til rette for rask iterativ utvikling og støtter reproduserbar forskning. Dette gjør det enklere for domeneeksperter å delta i metodeutvikling, for andre forskere å verifisere gyldigheten av de rapporterte resultatene og å bygge videre på eksisterende arbeid. Slikt kan bidra til å akselerere integrasjonen av dyplæringsbaserte løsninger i klinisk praksis. 

Utviklet rammeverk 

For å håndtere disse utfordringene har Satheshkumar Kaliyugarasan, i samarbeid med forskere ved Mohn Medical Imaging and Visualization Centre (MMIV), radiologisk avdeling på Haukeland Universitetssykehus, utviklet fastMONAI. Dette er et rammeverk for dyp læring i medisinsk bildeanalyse, basert på åpen kildekode. Rammeverket integrerer flere moderne biblioteker for å tilby en kraftfull, men brukervennlig løsning. Med sitt brukervennlige API forenkler fastMONAI prosessen med datatilberedelse, analyseutførelse og resultatfortolkning. Dette gjør at forskere kan bruke mindre tid på programmering og mer tid på å adressere de unike medisinske problemstillingene i hvert prosjekt.

Lovende resultater

Biblioteket har blitt utviklet og evaluert på ulike pasientgrupper og medisinske tilstander, fra ryggsmerter til lunge- og gynekologiske kreftformer. Resultatene i avhandlingen viser lovende forbedringer i nøyaktighet og gir en mer strømlinjeformet arbeidsflyt. For å grundig evaluere dyplæringsmodeller, er det imidlertid avgjørende å innlemme dem i eksisterende arbeidsflyt og studere ytelsen deres i realistiske sammenhenger. I denne oppgaven fant vi at fleksibiliteten og det brukervennlige API-et til fastMONAI letter integreringen av trente modeller i klinisk infrastruktur. Dette utforskes videre i pågående og fremtidig arbeid som bygger på avhandlingens resultater.

For mer informasjon, besøk prosjektets hjemmeside: https://fastmonai.no.

Satheshkumar Kaliyugarasan disputerer for ph.d.-graden i programmet Datateknologi: programvareutvikling, sensornettverk og berekningsorientert.

Prøveforelesning

Tirsdag 3. oktober 2023 kl. 10.15.

Disputas

Tirsdag 3. oktober 2023 kl. 13.15