Kompetansegruppe kunstig intelligens

Gruppens mål er å legge til rette for faglig sterk og trygg implementering av kunstig intelligens (KI) innen forskning og klinisk drift på tvers av medisinske avdelinger ved Sykehuset Østfold. Gruppen søker å heve kvalitet og kunnskap innen forskning på KI og medisin, både sammen og separat, ved å samle relevant kompetanse ved sykehuset i et felles forum.

Pågående prosjekter:

Early prediction of ventilator-associated pneumonia in intensive care unit patients by the use of artificial intelligence.

Studien undersøker hvordan kunstig intelligens kan bidra til tidligere identifisering ventilatorassosiert pneumoni (VAP) hos intensivpasienter. I studien vil en allerede utviklet KI-basert prediksjonsmodell vil trenes, testes og valideres på lokale retrospektive data for tidlig å kunne identifisere VAP. Prosjektleder er Brita Fosser Olsen (SØ), og Klara Friberg er forsker på prosjektet. Prosjektet utføres ved intensivavdelingen Sykehuset Østfold, i samarbeid med Høgskolen i Østfold.

STENTORIAN

STENTORIAN-studien skal undersøke om et KI-basert verktøy for EKG-tolkning, kalt Queen of Hearts, kan oppdage alvorlige hjerteinfarkt tidligere og mer presist enn dagens diagnostiske kriterier. Prosjektet ledes av Ole-Christian Rutherford (SØ), og Magnus Nossen er stipendiat på prosjektet. Prosjektet utføres i samarbeid med Oslo universitetssykehus.

Maskinlæring i mammografiscreening.

Dette er en multisenterstudie som involverer flere sykehus i samarbeid mellom Kreftregisteret, Norsk Regnesentral. Ved Sykehuset Østfold er avdeling for bildediagnostikk deltakende. Målet er å undersøke hvordan kunstig intelligens og stordata kan bidra til en mer effektiv og presis mammografiscreening ved å kombinere KI-basert bildeanalyse med radiologenes ekspertise. Prosjektet ledes av Solveig Hofvind (Kreftregisteret), og Marit A. Martiniussen er stipendiat i prosjektet.

Body composition analysis by AI-segmentation of computed tomography in pancreatic cancer – validation, adaptation and correlation with clinical outcomes.

Studie som undersøker hvordan kunstig intelligens kan brukes til automatisk analyse av CT-bilder for måling av muskelmasse og fettfordeling hos pasienter med bukspyttkjertelkreft. Målet er å validere og videreutvikle KI-verktøyet BodySegAI og undersøke sammenhenger mellom kroppssammensetning, behandlingstoleranse og prognose. Prosjektet er en multisenterstudie i samarbeid med Oslo universitetssykehus. Ved Sykehuset Østfold deltar Avdeling for bildediagnostikk. Prosjektleder er Peter Mæhre Lauritzen (OUS), og Nikolaos Zantalis er stipendiat på prosjektet.

The AI-STROKE study.

Prosjektet fokuserer på bruk og evaluering av eksisterende KI-baserte bildeanalyseverktøy i klinisk praksis. Ved å anvende disse verktøyene på standard CT-bilder som allerede tas av slagpasienter, ønsker forskerne å identifisere blodpropp i store og mellomstore hjernekar raskere og mer presist, slik at flere pasienter som kan ha nytte av trombektomi blir oppdaget og behandlet i tide. Prosjektet er en multisenterstudie og er et samarbeid med Oslo universitetssykehus. Ved Sykehuset Østfold er avdeling for bildediagnostikk deltakende. Prosjektleder er Anne Hege Aamodt (OUS), og Linn Aarbakke Heitmann er stipendiat på prosjektet.

DVT-SMART.

Prosjektet har mål om å utvikle og validere en KI basert modell for prediksjon av dyp venetrombose. Modellen kombinerer blodprøver og kliniske opplysninger for å støtte beslutninger i akuttmottaket og bidra til mer effektiv pasientutredning. Den KI-baserte algoritmen er utviklet av Høgskolen i Østfold og er basert på data fra en tidligere studie. Målet er å validere modellen og se på DVT-diagnostikk som en helhetlig prosess. Prosjektleder er Waleed Ghanima (SØ), og Hans Joakim Myklebust-Hansen er stipendiat på prosjektet.

Planlagte prosjekter:

Prediksjon av intravitreal behandling for makula ødem basert på OCT-bilder og kliniske variabler. Planlegges ved øyeavdelingen under ledelse av Ayyad Khan og Fredrik Fineide.

KI assistert analyse av fremre OCT og hornhinnefoto for klassifisering av keratitt.

Planlegges ved øyeavdelingen under ledelse av Ayyad Khan og Fredrik Fineide.

Utvalgte publikasjoner fra gruppens medlemmer:

Martiniussen MA, Larsen M, Larsen ASF, Hovda T, Koch HW, Bjørnerud A, Hofvind S. Norwegian radiologists' expectations of artificial intelligence in mammographic screening - A cross-sectional survey. Eur J Radiol. 2023 Oct;167:111061. doi: 10.1016/j.ejrad.2023.111061. Epub 2023 Aug 23. PMID: 37657381.

Martiniussen MA, Bergan MB, Kristiansen MU, Moshina N, Larsen ASF, Larsen M, Dahl FA, Hofvind S. High risk score of breast cancer by artificial intelligence (AI) on screening mammograms: a review of negative and cancer cases. Eur Radiol. 2026 Sep;36(9):7210-7220. doi: 10.1007/s00330-026-12579-4. Epub 2026 May 6. PMID: 42091662; PMCID: PMC13451454.

Martiniussen MA, Larsen M, Hovda T, Kristiansen MU, Dahl FA, Eikvil L, Brautaset O, Bjørnerud A, Kristensen V, Bergan MB, Hofvind S. Performance of Two Deep Learning-based AI Models for Breast Cancer Detection and Localization on Screening Mammograms from BreastScreen Norway. Radiol Artif Intell. 2025 May;7(3):e240039. doi: 10.1148/ryai.240039. PMID: 39907587.

Fineide FA, Bair J, Utheim TP, Riegler MA, Dartt DA. Development of Human Conjunctival Goblet Cell Segmentation Datasets to Improve Quantitation. Sci Data. 2026 May 9;13(1):1066. doi: 10.1038/s41597-026-07309-w. PMID: 42106364; PMCID: PMC13376158.

Naqvi M, Fineide F, Utheim TP, Charnock C. Culture- and non-culture-based approaches reveal unique features of the ocular microbiome in dry eye patients. Ocul Surf. 2024 Apr;32:123-129. doi: 10.1016/j.jtos.2024.02.002. Epub 2024 Feb 12. PMID: 38354907.

Fineide FA, Tashbayev B, Elgstøen KBP, Sandås EM, Rootwelt H, Hynne H, Chen X, Ræder S, Vehof J, Dartt D, Jensen JL, Utheim TP. Tear and Saliva Metabolomics in Evaporative Dry Eye Disease in Females. Metabolites. 2023 Nov 2;13(11):1125. doi: 10.3390/metabo13111125. PMID: 37999221; PMCID: PMC10673540.

Fineide FA, Storås AM, Riegler MA, Utheim TP. Predicting Meibomian Gland Dropout and Feature Importance Analysis with Explainable Artificial Intelligence. In2023 IEEE 36th International Symposium on Computer-Based Medical Systems (CBMS) 2023 Jun 22 (pp. 366-373). IEEE.

Storås AM, Fineide F, Magnø M, Thiede B, Chen X, Strümke I, Halvorsen P, Galtung H, Jensen JL, Utheim TP, Riegler MA. Using machine learning model explanations to identify proteins related to severity of meibomian gland dysfunction. Sci Rep. 2023 Dec 22;13(1):22946. doi: 10.1038/s41598-023-50342-7. PMID: 38135766; PMCID: PMC10746717.

Fineide F, Storås AM, Chen X, Magnø MS, Yazidi A, Riegler MA, Utheim TP. Predicting an unstable tear film through artificial intelligence. Sci Rep. 2022 Dec 10;12(1):21416. doi: 10.1038/s41598-022-25821-y. PMID: 36496510; PMCID: PMC9741582.

Fineide F, Chen X, Bjellaas T, Vitelli V, Utheim TP, Jensen JL, Galtung HK. Characterization of Lipids in Saliva, Tears and Minor Salivary Glands of Sjögren's Syndrome Patients Using an HPLC/MS-Based Approach. Int J Mol Sci. 2021 Aug 20;22(16):8997. doi: 10.3390/ijms22168997. PMID: 34445702; PMCID: PMC8396590.

• Nasjonale samarbeidspartnere inkluderer
  • Computational Radiology & Artificial Intelligence (CRAI) ved Oslo Universitetssykehus
  • Forskningsgruppen for maskinlæring ved Høgskolen i Østfold (HiØ)
  • Norsk regnesentral, Kreftregisteret
  • OsloMet
  • SimulaMet
  • NTNU via Sykehuset Østfolds partnerskap i KI senteret AID

For more information, please contact the group leader fredrik.andreas.fineide@so-hf.no