Robusthet er avgjørende
«Innovation Driving Excellence in Pathology» var mottoet for the European Congress of Pathology 2026. Programmet viste tydelig hvor sentral kunstig intelligens (KI) har blitt i utviklingen av nye metoder og verktøy innen patologi. Institutt for kreftgenetikk og informatikk (IKI) bidro til diskusjonen ved blant annet å rette søkelyset mot robusthet.
Mange kongressdeltakere valgte å få med seg Andreas Kleppes foredrag «Training computational pathology models for clinical routine». Kleppe viste blant annet hvordan utfordringer relatert til tekniske forskjeller mellom laboratorier og skannere kan reduseres. Dette er viktig når nye KI-verktøy skal implementeres i klinikken for å tolke digitale vevsbilder fra pasienter.
Hva er robusthet?
KI-verktøy utvikles med utgangspunkt i én eller flere KI-modeller. Under utviklingen trenes, testes og valideres modellene på definerte datasett. Datasettene inneholder materiale fra ulike sykehus, land og laboratorier, og bildekvaliteten kan variere som følge av blant annet laboratorieprosedyrer, innfarging og skannerutstyr.
Mange av verktøyene som utvikles ved IKI kan predikere sykdomsutvikling hos kreftpasienter og er basert på datasett som inneholder bilder av vevssnitt der sykdomsforløp og pasientutfall er kjent. Siden forskerne kjenner fasiten, trenes og testes modellen mot denne. Dette er en svært sikker metode, men kan kreve mye ressurser, tid og datakraft.
De fleste nyere KI-verktøy innen digital patologi bygger på såkalte grunnmodeller (foundation models). En grunnmodell er en stor KI-modell som er trent på omfattende og varierte datamengder ved hjelp av selvveiledet læring. Særlig de som er trent på svært store mengder digitale vevsbilder for å lære generelle mønstre og strukturer i vev er interessante for vårt institutt.
Utfordringen er at grunnmodellene ikke bare lærer seg biologiske kjennetegn. De kan også fange opp mønstre som skyldes hvordan prøvene er fremstilt og digitalisert, noe som kan påvirke oppgaveløsningen. Eksempler på oppgaver kan være å forutsi en pasients prognose eller sannsynlig respons på behandling.
– Det er viktig at modellene som skal involveres i pasientbehandling, fokuserer på biologiske signaler som er relevante for oppgaven, ikke på tilfeldige tekniske eller menneskeskapte forskjeller, sier Andreas Kleppe.
Først når modellen gir stabile resultater på tvers av ulike typer materiale og til tross for tekniske variasjoner, kan den kalles robust.
Robuste modeller bringer KI nærmere klinikken
Utfordringen med robusthet innen patologifeltet er ikke ny. Forskningsmiljøet ved IKI har gjennom flere år arbeidet med hvordan KI-modeller kan utvikles og evalueres slik at resultatene også holder mål utenfor miljøet de er utviklet i. Allerede i 2020 publiserte IKI en studie i The Lancet (Skrede, 2020) som viste hvordan KI kan gi klinisk relevant prognostisk informasjon for pasienter med tykktarmskreft. Studien var basert på omfattende ekstern validering i uavhengige pasientkohorter. Året etter bidro forskningsmiljøet til å beskrive sentrale prinsipper for evaluering av medisinsk KI i en oversiktsartikkel i Nature Reviews Cancer (Kleppe, 2021).
Bruk av grunnmodeller kan være både tids- og pengebesparende. I artikkelen «Enabling clinical use of foundation models for computational pathology» (Henriksen et al., 2026) viser Audun L. Henriksen og medforfatterne hvordan grunnmodeller kan brukes som utgangspunkt for utvikling av robuste KI-modeller egnet for klinisk bruk. Enkelt sagt har forskningsteamet «straffet» modellen når resultatet påvirkes av tekniske forskjeller i treningsfasen, og belønnet den for å finne biologiske mønstre som er stabile på tvers av ulike tekniske betingelser. Ved å redusere betydningen av ikke-biologisk informasjon under treningen blir modellene mindre følsomme for tekniske variasjoner, uten at selve grunnmodellen må trenes på nytt. Dette kan gjøre KI-verktøyene mer overførbare mellom sykehus og institusjoner.
Det er flere gode grunner til at innføring av KI-verktøy i klinikken tar tid - ikke minst må påliteligheten være grundig dokumentert. Ved å forbedre robustheten har vi forhåpentligvis bidratt til å redusere denne ene barrieren på veien fra forskning og utvikling til klinisk praksis.