Bild
Omslagsillustration: Som visar på behovet av samarbete mellan olika intressenter, inte bara algoritmutvecklare och läkare, för ett framgångsrikt genomförande av AI-algoritmer som kliniska verktyg. Vilket är en mycket komplex uppg.
Omslagsillustration: Som visar på behovet av samarbete mellan olika intressenter, inte bara algoritmutvecklare och läkare, för ett framgångsrikt genomförande av AI-algoritmer som kliniska verktyg, vilket är en mycket komplex uppgift.
Foto: Emilia Gryska
Länkstig

Emilia Gryska - Hur kan AI-algoritmer bli ett kraftfullt diagnostiskt redskap vid hjärntumörer?

Publicerad

Emilia Gryska disputerade den 7 oktober på en avhandling för medicine doktorsexamen vid Sahlgrenska akademin, Institutionen för kliniska vetenskaper, inom ämnet medicinsk strålningsvetenskap

Titeln på avhandlingen är: Automatic tumour segmentation in brain images - moving towards clinical implementation

Länk direkt till avhandlingen

Bild
Emilia Gryska, har en bakgrund inom biomedicinsk teknik, och arbetar vid avdelningen för medicinsk strålningsvetenskap på Sahlgr
Emilia Gryska, har en bakgrund inom biomedicinsk teknik, och är anställd inom ämnesområdet Medicinsk strålningsvetenskap vid Göteborgs universitet.

Hur kan AI-algoritmer bli ett kraftfullt diagnostiskt redskap vid hjärntumörer?

Vid hjärntumörer användes tumörens volym som ett kriterium för att bedöma allvarlighetsgraden eller den så kallade sjukdomsstatusen. Men volymen mäts sällan i exakta mått, utan skattas ofta visuellt via magnetkamerabilder. Om neuroradiologerna istället använde sig av AI-algoritmer som identifierar och automatiskt avgränsar en tumör i en bild (segmentering), skulle detta kunna ge radiologerna exakta mätningar av tumörvolymen. En segmentering av tumörer ger information om tumörens läge och volym.

Trots att det finns många studier som utvecklar och validerar algoritmer för segmentering av hjärntumörer är det sällan möjligt att bedöma algoritmernas kliniska lämplighet, eftersom dom inte beskrivs tillräckligt detaljerat för att resultaten ska vara reproducerbara, något Emilia Gryska nu uppmärksammar i sin avhandling. Emilia har en bakgrund inom biomedicinsk teknik, och är anställd inom ämnesområdet Medicinsk strålningsvetenskap vid Göteborgs universitet.

Hon har nu undersökt klyftan mellan forskningen och kliniken med följande tre frågor:

  • Ger forskningen belägg för att algoritmerna kommer att fungera väl i klinisk rutin?
  • Litar radiologer på AI-genererad information och anser de att den är till hjälp?
  • Vad behöver radiologer för att kunna lita på och använda verktygen?

– I mitt forskningsarbete har jag länge fokuserat på hur man kan genomföra vetenskapliga innovationer i klinisk praxis. Jag har haft ett särskilt fokus på algoritmer för artificiell intelligens inom medicinsk bildanalys.

Exempel på en MR-bild av en hjärntumör (vänster) och samma bild med en automatiskt genererad segmentering av tumören i rött (hög
Exempel på MR-bild av en hjärntumör (vänster) och samma bild med automatiskt genererad segmentering av tumören i rött (höger); tillgängligheten av det segmenterade området hjälper till att identifiera tumörens gränser och volym. Fig. 1 sid 3 i avhandlingen

Röntgenläkare litar mer på den AI-uträknade informationen än sin egen
För att lösa problemen med att oberoende forskare inte kan återskapa en algoritm, tillämpa den på samma bilder och få liknande resultat, har hon föreslagit uppdaterade riktlinjer för att utforma studier så att de kan reproduceras.

– Jag fann även att radiologer tenderar att lita mer på noggrannheten hos den AI-beräknade tumörvolymen, trots en stor variation i den upplevda segmenteringskvaliteten, än på den egna visuella bedömningen. Denna positiva inställning till AI är dock inte tillräcklig för att säkerställa att de framtida kliniska verktygen faktiskt kommer att få förtroende och användas.

Hon identifierade också flera specifika förtroenderelaterade villkor som måste uppfyllas för att framgångsrikt införa AI-verktyg inom radiologin. Verktygen och införandet av dom, måste vara tillförlitliga och transparenta i avseende hur verktyget genererar informationen och hur den ska tolkas. Dessutom måste verktyget lätt kunna implementeras i och vara kompatibelt med den kliniska verksamheten och vardagen.

– Forskningsresultaten överbryggar delvis klyftan mellan forskningen och kliniken. Men framtida forskning bör fokusera på att pröva algoritmer på ett sätt som fastställer starka bevis för segmenteringsnoggrannhet i en klinisk miljö, och hur radiologer använder den information dom får genom algoritmerna i sitt kliniska arbetsflöde.

Det är även viktigt att utveckling av AI-algoritmer ger fördelar för patienterna, som att diagnosen i detta fall kommer vara snabbare och mer exakt.

– Ett framgångsrikt genomförande av AI-verktyg som leder till förtroende för beslutsstödsystemet kräver inte bara samarbete mellan läkare och verktygsutvecklare utan även förståelse och stöttning från sjukhusledning.
 

Text: Susanne Lj Westergren

INFORMATION OM DISPUTATIONEN

Huvudhandledare: Rolf A. Heckemann
Bihandledare: Justin Schneiderman och Isabella Björkmann-Burtscher
Opponent: Örjan Smedby, Kungliga Tekniska Högskolan, KTH, Huddinge
Betygsnämnd: Toshima Parris, Peter Lundberg och Robin Strand