En uopslidelig diagnosticering med stor præcision – machine learning skaber nye muligheder i sund­hed­sin­dustrien.

Diagnostisk kvalitet inden for sundhedsvæsenet kan øges med ekspertsystemer, der kombinerer machine vision og machine learning. En veltrænet, kunstig intelligensmodel kan identificere mønstre i medicinske billeder, som kan være vanskelige for det menneskelige øje at opdage. Løsninger, der udnytter machine vision og learning, er allerede i dag i stand til eksempelvis sygdomsklassifikation og kræftgraduering.

Med en embedded enhed, der kører en AI-model til analyse af medicinske billeder, kan reel menneskelig ekspertise blive repliceret og distribueret globalt til en overkommelig og pålidelig pris. Den traditionelle metode med at uddanne flere eksperter og sende dem rundt i verden for at udføre deres opgaver koster tid og penge.

Medicinske institutioner og fagfolk er interesserede i apparater, der omkostningseffektivt kan forbedrer sundhedsplejen. Derfor er potentialet for machine vision og learning enormt for producenter af medicinsk udstyr.

"Enhver opgave, der involverer billedanalyse, er en potentiel case for machine vision og learning," siger Matthias Zumpe, Etteplan’s Embedded Software Team Manager.

En embedded løsning tæller allerede æg fra tarmparasitter i en prøve. Et AI-mikroskop automatiserer billedbehandlingen og anvender kunstig intelligens til at klassificere og tælle forskellige parasitter.

Tidligere blev arbejdet udført manuelt af eksperter med mikroskoper og tællingsanordninger. En embedded enhed kan opnå samme nøjagtighed som et menneske, blot hurtigere og uden pauser.

"Disse lavprisenheder kan nemt leveres til eksempelvis skoler i udviklingslande, hvor de kan hjælpe med diagnosticeringen”, siger Zumpe. Enhederne er udviklet af Etteplan i samarbejde med Johnson & Johnson.

At køre machine learning modellen kræver kun en beskeden mængde processorkraft, hvilket nemt kan udføres lokalt på enheden uden en cloudforbindelse.

Det første skridt for en producent af sundhedsudstyr, der ønsker at komme ind i AI-verdenen, er at beslutte, hvilke data, der er tilgængelige til at træne maskinlæringsmodellen på.

"Organisationer kan nogle gange undervurdere mængden og kvaliteten af data, der er nødvendige for at træne en velfungerende model," siger Zumpe.

For at få succes med at indsamle den rigtige type og mængde data, anbefales det at finde en partner med erfaring inden for machine learning, da metoden adskiller sig væsentligt fra traditionel, for eksempel filterbaseret, billedbehandling.

At udvikle et produkt, der anvender AI, betyder normalt, at man går ind i området for diagnostik og beslutningstagning.

"Sammenlignet med en mere traditionel metode, hvor man blot præsenterer billederne for sundhedspersonalet for at hjælpe dem med at træffe beslutningerne, kommer fortolkningen af billederne og data med en machine learning model naturligvis med langt større ansvar og krav om overholdelse af regulativer," siger Zumpe.

"Derudover varierer sundhedslovgivningen rundt om i verden, hvilket kan gøre udviklingen af en kompatibel løsning mere kompleks.

Da nogle træningsdata til en sundhedsapplikation kan være følsomme, kan der være behov for at køre machine learning processen på lokale servere.

"Afhængigt af dataene er det nogle gange mere oplagt at bruge standard machine learning services fra eksempelvis Google Cloud, AWS eller Microsoft Azure. Vi har erfaring fra begge miljøer”, forklarer Zumpe.

En erfaren partner kan også hjælpe med at vælge den bedst egnede machine learning model til hver enkel case. Der er en række potentielle faldgruber, som kan være svære for en nybegynder at identificere.

"Hvordan kan man sikre, at følsomme patientdata ikke siver ind i modellen? Hvordan skaber man ikke-diskriminerende, etiske ekspertsystemer? Den slags spørgsmål er svære at besvare uden en partner med speciale i machine learning", siger Zumpe.

Etteplan har erfaring med at organisere processen omkring machine vision og machine learning fra start til slut. Det er muligt, at du måske slet ikke har brug for machine learning.

"Vi ser på hver case individuelt. Hvis kundens problem kan løses ved hjælp af enklere og mere overkommelige metoder end machine learning, foretrækker vi naturligvis dem. At anvende machine learning er ikke et mål i sig selv for os. Det er blot endnu et værktøj i vores værktøjskasse -  omend et meget kraftig et", fortæller Zumpe.