En outtröttlig diagnostiker med hög precision – maskininlärning skapar nya möjligheter inom sju­kvårdsbranschen

Diagnoskvaliteten inom hälso- och sjukvården kan förbättras med expertsystem som kombinerar maskinseende med maskininlärning. En väl upplärd modell för artificiell intelligens kan identifiera mönster i medicinska bilder som kan vara svåra att upptäcka med blotta ögat. Lösningar som använder maskinseende och maskininlärning kan till exempel klassificera sjukdomar och gradera tumörer redan idag.

Med en portabel och fristående enhet som med hjälp av en AI-modell analyserar medicinska bilder kan mänsklig expertis återskapas och distribueras globalt till en rimlig och förutsägbar kostnad. Det traditionella sättet att utbilda experter och skicka ut dem i världen för att utföra sitt arbete kostar både tid och pengar.

Vårdinrättningar och personal är intresserade av enheter som förbättrar sjukvårdsverksamheten på ett kostnadseffektivt sätt. Därför har maskinseende och maskininlärning en enorm potential för tillverkare av medicinteknisk utrustning.

”All sorts bildanalys är en potentiell uppgift för maskinseende och maskininlärning”, säger Matthias Zumpe, teamchef inom Embedded Software på Etteplan.

Det finns redan en inbäddad lösning som räknar antalet ägg från tarmparasiter i ett prov. Ett AI-mikroskop automatiserar avbildningen och använder artificiell intelligens för att klassificera och räkna olika parasiter.

Tidigare utfördes arbetet manuellt av experter med hjälp av mikroskop och klickräknare. En inbäddad enhet kan uppnå samma precision som en människa, men snabbare och utan avbrott.

”Dessa lågkostnadsenheter kan exempelvis levereras till institutioner i utvecklingsländer för att hjälpa till med diagnostiken”, säger Matthias Zumpe. Enheterna har utvecklats av Etteplan tillsammans med Johnson & Johnson.

Att köra maskininlärningsmodellen kräver endast en måttlig mängd processorkraft som enkelt kan utföras lokalt på enheten utan någon molnanslutning.

Det första steget för en tillverkare av medicinteknisk utrustning som vill ta steget in i AI-världen är att fastställa vilka data som finns tillgängliga för att lära upp maskininlärningsmodellen.

”Organisationer kan ibland underskatta mängden och kvaliteten på de data som krävs för att skapa en effektiv modell”, förklarar Matthias Zumpe.

För att samla in rätt sorts data i rätt mängd rekommenderar vi starkt att du hittar en samarbetspartner med erfarenhet av maskininlärning, eftersom området skiljer sig avsevärt från exempelvis traditionella, filterbaserade bildbehandlingsmetoder.

Att utveckla en produkt som utnyttjar AI brukar involvera såväl diagnostik som beslutsfattande.

”Att tolka bilder och data med en maskininlärningsmodell är förknippat med betydligt mer ansvar och fler regelverk än det mer traditionella sättet att bara presentera bilderna för medicinsk personal som underlag för deras beslut”, säger Matthias. Dessutom varierar sjukvårdslagstiftningen i världen, vilket kan göra det mer komplext att utveckla en kompatibel lösning.

Eftersom maskininlärningsprocessen för en sjukvårdsapplikation kan kräva tillgång till känsliga data så kan processen behöva köras på lokala servrar.

”Beroende på data är det ibland smidigare att använda färdiga maskininlärningstjänster från det publika molnet som Google Cloud, AWS eller Microsoft Azure. Vi har erfarenhet av båda typerna av miljöer”, säger Matthias.

En erfaren samarbetspartner kan också hjälpa till att välja den lämpligaste maskininlärningsmodellen i respektive fall. Det finns en mängd fallgropar att se upp för och som kan vara svåra att identifiera för en nybörjare.

”Hur går det att säkerställa att känsliga patientdata inte läcker in i modellen? Hur tas icke-diskriminerande, etiska expertsystem fram? Den här typen av frågor är svåra att besvara utan en partner som är specialiserad på maskininlärning”, säger Matthias.

Etteplan har erfarenhet av att organisera hela processen för maskinseende och maskininlärning från början till slut. Sen kan det hända att du inte behöver maskininlärning överhuvudtaget.

”Vi tittar på varje fall för sig. Om kundens problem kan lösas med enklare och billigare metoder än maskininlärning så föredrar vi naturligtvis det. Att använda maskininlärning är inget självändamål för oss. Det är bara ytterligare ett verktyg i vår verktygslåda, men ett kraftfullt sådant”, avslutar Matthias.