Hvordan ta MR undersøkelser av hodet inn i fremtiden med hjelp av KI?

Vi lever i en brytningstid der KI får rotfeste i stadig flere deler av samfunnet.

I vår forskningsgruppe har vi i mange år jobbet med avanserte billedanalyser innen hjernesykdommer, spesielt MS, NevroCovid og hjerneslag.

Vi venter imidlertid på det store KI-løftet, men ser at det daglig publiseres på dette internasjonalt.

Spesielt fra 2019 har dette eksplodert og økt nærmest eksponentielt.

Foto: Hjernerådet og UiO

KI-milliarden har vi selvsagt forhåpninger til, men at dette skal kunne treffe og løfte hele bredden av helseforskning ene og alene er som å tro på enhjørninger.

De enorme investeringer og satsninger som gjøres internasjonalt skulle vi gjerne også sett tilsvarende her i lille Norge.

«Helsegullet» - hvor er det?

Det har vært snakket om at helsedata er Norges nye årgangsvin, også kalt arvesølv eller oljereserver, av ulike medier gjennom de siste årene.

Vi som jobber og forsker i dette feltet, har imidlertid erfart at helsegullet ofte ligger dypt begravet langt inne i utilgjengelige datasystemer og vanskelig lar seg graves ut.

Det finnes selvsagt eksempler på det motsatte, med den store HUNT databanken i Trøndelag eller Den norske mor, far og barn-undersøkelsen (MoBa).

Her har det imidlertid vært en grunntanke fra starten, og opplegget er designet nettopp for å kunne samle og tilgjengeliggjøre forskningsdata til å bringe frem ny kunnskap.

En fot i forskningsverdenen og en fot innenfor sykehussystemet

De fleste med MS deler velvillig helsedata til forskning, men når det ikke finnes praktiske og faktiske løsninger for å hente ut disse dataene så blir de liggende utilgjengelig for oss forskere.

Vi sitter med en fot innenfor sykehussystemet, og en fot i forskningsverden, men mellom disse to verdener er det imidlertid et stort gap. For personer med MS har vi et nasjonalt register, og denne pasientgruppen har vi vært flinke å forske på i mange tiår her i Norge.

Helsedataene som ligger i selve sykehussystemet, forblir derimot mindre tilgjengelig.

Eksempelvis har vi i en årrekke spinket og spart på MR undersøkelser tatt av hjernen til personer med MS i forskningsøyemed, men i tillegg så tas det MR-undersøkelser av disse personene årlig som rutinemessig oppfølging av deres MS.

Disse undersøkelsene er enormt verdifulle fordi de gir et mye rikere bilde på hvordan sykdommen utvikler seg enn om vi kun baserer oss på en betydelig mindre andel med forskningsundersøkelsene alene.

Illustrasjon: Shutterstock

Forskningsfronten pusher stadig grenser

Selve MR undersøkelsen er en flaskehals. Det er rapportert om stort overforbruk nasjonalt av flere instanser, lange ventelister og stor bruk av private institutter.

Årlig tas det over 120 000 MR undersøkelser av hodet til nordmenn. Det finnes imidlertid etablerte og robuste systemer som basert på et minimum av bilde-varianter (sekvenser), kan utnytte avanserte KI-modeller for å utlevere fantastisk nøyaktige kvantitative mål og lage nye billedsekvenser.

Denne metoden kalles syntetisk MR, altså at det er kunstig fremstilt med hjelp av KI med et referansemateriale på flere titalls tusen tidligere MR undersøkelser.

Metoden er allerede tilgjengelig fra flere leverandører internasjonalt, men med målrettet innsats og tilgang til kliniske undersøkelser kunne det fint vært utviklet og etablert i Norge for lokale forhold.

KI bidrar til å sette rett merkelapp på hjernesykdommer

Bedret presisjonsdiagnostikk er målet for mye forskning, både å kunne stille en rask, tidlig og presis diagnose.

På den annen side er det like viktig å ha samme mål for å si når ting ikke er sykdom, da overdiagnostikk er et økende problem med store konsekvenser for personene det gjelder og helsevesenet forøvrig.

Ved hjelp av KI, enkle kliniske parametre og MR undersøkelser, så kan man i dag få svært god hjelp til å sette rett merkelapp for et helt spekter av hjernesykdommer.

Her er enkle modeller heldigvis allerede dukket opp også i Spesialisthelsetjenesten og bredt fremsnakket.

Man får nå beskjed om brudd eller ikke brudd på røntgenbilder i Vestre Viken, mens man ved OUS kan få et estimat på om det er hjerneblødning hos en person som stikker hodet sitt inn i en CT-maskin.

Utfordrer tankesettet våre 

Potensialet er imidlertid så utrolig mye større.

Det publiseres snart et arbeid for en generaliserbar KI-modell for vurdering av MR-bilder fra USA, enn så lenge tilgjengelig som preprint før fagfellevurdering.

Hukommelsesklinikken ved OUS kan estimere sannsynligheten for utvikling av kognitiv svikt allerede mange år i forkant, noe som utfordrer tankesettet vårt om når vi kan og bør sette en diagnose.

Vi har dyplæringsmodeller utviklet av CRAI (Computational Radiology & Artificial Intelligence) her på OUS, som med voldsom nøyaktighet kan si noe om videre utvikling av kreftsvulster i hjernen basert på et øyeblikksbilde.

Hvor går veien videre?

Vi forskere ønsker å bruke tiden vår på best mulig vis, for pasientene, for de som støtter oss og for oss selv.

Våre tilmålte og frikjøpte minutter blir ofte spist opp av unødvendige tidstyver. Vi trenger støtte fra ledelse ovenfra, samt forståelse fra kolleger, at forskningsarbeid også gagner sykehuset, kolleger og pasientene.

Systemene vi jobber med må være egnet for stor-data og KI, som de dessverre ikke er i dag. Vi ønsker tilgang til mer pasientdata, men uten å måtte hente det ut manuelt og bruke måneder på sortering og opprydding.

Vi må være med å forme den fremtidige KI-hverdagen

Vi ser heldigvis lys i horisonten i form av bedre og bredere samarbeid, internasjonal drahjelp, samt utlysninger og tildelinger med fokus på bruk av KI.

Vi har vært heldige å få prosjektmidler til dette innen flere områder de siste årene.

Sammen med brukere, ledelsen, klinikere og forskere, håper vi at vi kan være med å forme den fremtidige KI-hverdagen til det bedre for alle.

Vi er vårt ansvar bevisst, og håper å få ut noe av det uforløste potensialet som ligger der allerede.

Lenker:

Artikkel fra Hukommelsesklinikken: Constructing personalized characterizations of structural brain aberrations in patients with dementia using explainable artificial intelligence | npj Digital Medicine

Artikkel fra CRAI: Treatment-Aware Diffusion Probabilistic Model for Longitudinal MRI Generation and Diffuse Glioma Growth Prediction | IEEE Journals & Magazine | IEEE Xplore

Preprint fra USA: A foundation model for generalized brain MRI analysis - PMC

The research group “Imaging studies of MS” at OUS/OUH and UiO