Kunstig intelligens kan gje fleire pasientar gode liv etter hjerneslag

I jobben som overlege i radiologi ved Stavanger universitetssjukehus (SUS) har Liv Jorunn Høllesli sett kor viktig det er med rask og presis diagnostisering av akutt hjerneslag.

Tid er alt.

Meir presis bildediagnostikk

Det blir teke bilete av hjernen med ein gong pasienten kjem inn og bileta har stor innverknad på val av behandling. Men det er avgrensingar ved dagens bildediagnostikk ved akutt hjerneslag.

– Det er vanskeleg å skilje mellom hjernevev som kan reddast og hjernevev som allereie er dødt, seier Liv Jorunn Høllesli.

Ho ønskte å sjå nærare på moglegheita for å utvikle eit verktøy for enda meir presis bildediagnostikk enn dagens. Kanskje kunstig intelligens kunne brukast for å betre nøyaktigheita i bileta? Høllesli slo seg saman med Luca Tomasetti. Gjennom kvart sitt doktorgradsprosjekt har dei saman kome fram til løysingar som kan gje raskare og meir presis diagnostikk.

Skil ut område i hjernen

Spørsmålet forskarane stilte seg, var om ein ved hjelp av maskinlæring, altså ein metode innan kunstig intelligens, raskt kunne finne ut nøyaktig kor problemet var. Og om pasienten faktisk har hjerneslag?

Den tekniske løysinga for betra bildediagnostikk er det Luca Tomasetti som har stått for. Hans del av tvillingprosjektet handla hovudsakleg om å utvikle nye automatiske metodar for bildediagnostikk ved hjelp av maskinlæring. Han har brukt bilete frå CTP-skanning (computertomografiperfusjon – sjå døme under) som input for eit såkalla kunstig intelligens-nettverk som kan segmentere områda i hjernen med nedsett blodtilførsel. Med andre ord, skilje ut dei områda i hjernen som bør behandlast.

– Under eit hjerneinfarkt, døyr det i gjennomsnitt to millionar nerveceller i hjernen kvart minutt. På grunn av den sentrale rolla bildediagnostikk har ved hjerneinfarkt, er det viktig å utvikle nøyaktige, raske og automatiske løysingar for å identifisere plasseringa og storleiken på området som er ramma av infarktet, seier Luca Tomasetti.

Forskinga til Tomasetti og Høllesli viser at bruk av bilete basert på CT-perfusjon som input for kunstig intelligens, og i tillegg bruk av nye og meir avanserte parameterar basert på CT-perfusjon, aukar moglegheita for å skilje ut og meir nøyaktig karakterisere dei slagramma områda.

– Resultata kan hjelpe radiologar og nevrologar med å ta betre og raskare avgjerder for pasientar som mistenkast for akutt hjerneinfarkt, seier Tomasetti.

Og raske avgjerder er det behov for i helsevesenet. Når ein pasient med mogleg hjerneinfarkt kjem inn til sjukehuset, er både tidleg og rett behandling avgjerande for utfallet. Behandlinga avgjer om pasienten får varig funksjonsnedsetjing, og i kva grad. I dei mest alvorlege tilfella, om pasienten overlever eller døyr.

To prosjekt – same data

Luca Tomasetti leverte doktorgradsavhandlinga si i fjor. Liv Jorunn Høllesli disputerte for doktorgraden 10. juni. No er det fire år sidan samarbeidet starta. Dei har brukt same data i oppgåvene, og har møtt kvarandre regelmessig for å diskutere og analysere resultata.

– Liv Jorunn er radiolog, så ho er eksperten på det medisinske feltet. Eg hjelpte ho med det tekniske i hennar del av prosjektet, og ho hjelpte meg med den medisinske delen i mitt prosjekt. Vi diskuterte artiklar, vi diskuterte resultat, vi diskuterte eksperiment. Det var eit aktivt samarbeid, seier Tomasetti.

Han fortel at første steg på vegen var å samle inn så mykje data som mogleg. Dataene dei brukte var bilete av hjernen til moglege slagpasientar.

– Vi brukte dei same bileta i studiane. Sjølv om vi analyserte dei på forskjellige måtar, hadde vi høve til å samanlikne resultata, seier Tomasetti.

Høllesli seier at sjølv om du har gode data og teknisk kompetanse for å utvikle gode algoritmar, er ikkje det tilstrekkeleg når ein pasient skal diagnostiserast.

– Vi treng òg medisinsk ekspertise i den andre enden, for å sjå at svarene faktisk er korrekte og nyttige i ein klinisk samanheng. Det er det som har vore så spennande med prosjektet. Om vi finn ein metode som teknisk sett er heilt perfekt, hjelper ikkje det om den er klinisk irrelevant. Menneske med medisinsk og teknisk kompetanse må jobbe side om side for å utvikle dei beste metodane, til det beste for pasientane. Det er heilt nødvendig, seier ho.

Er kunstig intelligens løysinga?

Er det lettare for ei maskin å tolke bileta av hjernevev enn for det menneskelege auget? Blir resultatet meir nøyaktig? Både og, meiner dei to forskarane.

– Vi har ikkje undersøkt nøyaktigheita av diagnosen når ein radiolog ser på bileta samanlikna med maskinen. Men vi finn godt samsvar mellom det maskinen finn og det radiologen finn, seier Høllesli.

Det har skjedd ei stor teknologisk utvikling i helsevesenet dei siste åra, men førebels utgjer ikkje nye verktøy basert på kunstig intelligens ein stor del av den kliniske kvardagen på sjukehuset. Verktøyet dei to har utvikla er ikkje teke i bruk ved norske sjukehus enno.

– Det handlar om både tekniske utfordringar, om pengar og menneskelege ressursar. Men kunstig intelligens er ein del av helsevesenet allereie, og ventast å få ei stadig større rolle framover. Så er spørsmålet korleis vi skal bruke teknologien på ein god måte, seier ho.

Bærum sjukehus er eit døme. I fjor tok dei i bruk ein kunstig intelligens-applikasjon for tolking av røntgenbilete. Når pasientar med mistanke om brot kjem til sjukehuset, blir det teke røntgenbilete. Bileta blir handsama og tolka av kunstig intelligens, og i løpet av få minutt er svaret klart.

– Ein kan nesten snakke om ein revolusjon innan diagnostikk. Det å gå frå å bruke veldig mykje energi og ressursar på å tolke bilete, samanlikna med å bruke det som maskinen har funne som ledd i diagnostikk. Det frigjer mykje tid, seier ho.

Tomasetti har òg store forventningar til bruken av kunstig intelligens i helsevesenet.

– Sjølvsagt er det mange utfordringar på vegen, men det er også mykje potensial. Slik eg ser det, passar metodar innan kunstig intelligens perfekt til helsesektoren. Men vi må tillate legen si eiga tolking og forklaring av resultata. Legane må framleis sjå pasienten med eigne auge, men nye verktøy kan truleg gjere arbeidskvardagen enklare og bidra til betra diagnostikk og behandling, seier Tomasetti.

Referansar:

Liv Jorunn Høllesli: Stroke Mimics and In Depth Analysis of Computed Tomography Perfusion in Patients with Acute Ischemic Stroke. Doktoravhandling ved Universitetet i Stavanger, 2024. Samandrag. 

Luca Tomasetti: Automatic AI-Driven segmentation of Acute Ischemic Stroke Regions with CT Perfusion Images. Doktoravhandling ved Universitetet i Stavanger, 2023. Samandrag.

Tekst og foto: Kjersti Riiber