Maskinlæringssystemer for gastrointestinale endoskopier

Michael Alexander Riegler | Jul 2019 | Gastroenterologi | Onkologi /hematologi |

Michael Alexander Riegler
forsker,
SimulaMet,
Oslo

Thomas de Lange
lege,
Oslo universitetssykehus,
førsteamanuensis,
Institutt for klinisk medisin,
Universitetet i Oslo

Pia Smedsrud
lege, ph.d.-student,
SimulaMet og Augere Medical AS,
Oslo

Pål Halvorsen
forsker,
SimulaMet, Oslo,
professor,
Oslo Metropolitan University

Assistert diagnostikk med hjelp av kunstig intelligens (KI) har vært etterspurt lenge og kan bli et viktig hjelpemiddel innen medisin, godt hjulpet av den raske utviklingen innen maskinvare. Denne har gjort innføringen av slike hjelpemidler mulig på relativt kort sikt.  Sikrere påvisning og klassifisering av funn og lesjoner innen radiologi og endoskopi er i ferd med å bli et viktig forskningsområde innen KI, og det fokuseres spesielt på maskinlæring. Imidlertid krever vellykket utvikling et komplett system som kan brukes i sanntid i daglig praksis, og som begrenser seg til utvikling av algoritmer.  Det kreves også store randomiserte studier for å fastslå om kvaliteten og påliteligheten til systemene er god. Vi deler i denne artikkelen våre erfaringer fra utviklingen av et system for gastrointestinale endoskopier1-5 og belyser viktige utfordringer for å skape en effektiv digital assistent. Assistert diagnostikk ved gastrointestinale endoskopiundersøkelser Vi har utviklet maskinlæringssystemer for flere typer applikasjoner, og innen medisin har vi blant annet fokusert på gastrointestinal (GI) endoskopi sammen med partnere på Bærum sykehus, Oslo universitetssykehus, Karolinska Institutet og Kreftregisteret. Til tross for betydelige tekniske forbedringer av endoskopiutstyret de siste 10-15 årene representerer en uønsket variasjon mellom endoskopører fremdeles en utfordring.  Dette medfører en vesentlig variasjon i påvisning og vurdering av forandringer i slimhinnen og anatomiske landemerker.7,8 Studier har vist at rundt 20 % av polyppene i kolon overses.9 Variasjonen skyldes blant annet forskjeller i ferdighet, perseptuelle faktorer, personlighet, erfaring og kunnskap.6 Utvikling av et automatisert datastyrt støttesystem for påvisning og karakterisering av slimhinneforandringer kan bli et viktig bidrag til å redusere variasjonen mellom endoskopører.  «Data is king» «Data is king» er et mantra innen maskinlæring og mye ressurser brukes på å samle gode data. For å lære opp modellene til å gjenkjenne forandringer må legenes kunnskap om hva som er normalt og unormalt overføres til datamaskinene. Denne...