Kunstig intelligens kan styrke øyeforskningen
– Flere av oss, i alle aldersgrupper, får tørre øyne. Vi har tatt i bruk kunstig intelligens for å bedre vår forståelse og diagnostikk av sykdommen, sier Fredrik Fineide, forsker og lege i spesialisering ved øyeavdelingen, Sykehuset Østfold.
ineide har i sin doktoravhandling forsket på hvordan kunstig intelligens (KI) kan brukes som analyseverktøy i medisinsk forskning. Avhandlingen heter “Transforming Dry Eye Disease Research: An Artificial Intelligence-Driven Approach to Data Analysis”.
Tre områder av medisinsk forskning
– Vi kan dele medisinsk forskning hovedsakelig inn i tre områder: klinisk forskning, laboratorieforskning og en mellomting, en hybrid forskning der du kombinerer for eksempel biokjemiske og kliniske prøver og analyserer dette, sier Fineide.
– I forbindelse med vår forskning på tørre øyne produserte vi stadig større datasett, og vi begynte å se oss om etter nye måter å analysere dataene våre på. Det var sånn vi fikk et samarbeid med Oslo Met og avdelingen for datavitenskap der, og skjønte at KI kunne være veldig nyttig for forskningen vår.
KI-modell kan gjette utfall
– Kunstig intelligens er et veldig stort felt, og det finnes mange forskjellige typer modeller. En type KI-modell jeg har brukt i min forskning er en såkalt prediksjonsmodell. Det er en modell som trenes til å predikere et utfall, for eksempel om en deltaker i et datasett har tørre øyne eller ikke, forklarer Fineide.
Han har trent modellene på kliniske datasett samlet inn i klinikken. Dataene bestod av biokjemiske variabler som proteiner, fettstoffer og bakterier, samt spørreskjema som pasienten har fylt ut selv og observasjoner fra undersøkelser av pasienten.
– Det første steget er å rense datasettene slik at de er hensiktsmessige å bruke. I datasettet kan du for eksempel angi at av 100 pasienter, så er 50 friske og 50 syke. Så trenes modellen opp til å gjette frisk eller syk, sier han.
Deretter kan man kode og trene modeller til å predikere ønsket utfall, som frisk eller syk, grad av sykdom eller liknende. Så korrigeres modellen, og dette må gjøres om igjen og om igjen, hundrevis eller tusenvis av ganger. Da kan modellen justere seg inn for å bli så god som mulig, det er dette som kalles trening og læring av modeller. Etter hvert blir forhåpentligvis modellen velfungerende. Det er ganske store og komplekse modeller med tusenvis eller millioner av variabler.
Fra «black box» til innsikt
Et viktig fokus i doktorgraden har vært å gå utover selve prediksjonen.
– Mange KI-modeller fungerer som en «black box»: de gir et svar, men ikke nødvendigvis en forklaring på hvordan de kom fram til konklusjonen. Det er problematisk i medisinen, sier Fineide.
Derfor har han arbeidet med såkalt forklarbar kunstig intelligens. Målet er å forstå hvilke faktorer modellen legger mest vekt på. Dette er viktig av flere årsaker. Mange vanskelige etiske og juridiske spørsmål oppstår ved bruk av KI i medisinen. I klinikken er det helt avgjørende for legen som bruker verktøyet å få tilgang på hvorfor modellen gir den prediksjonen den gir, slik at man kan vurdere hvorvidt modellen baserer seg på variabler som gir mening fra et klinisk perspektiv. Dette blir spesielt viktig hvis KI-modellen og klinikeren treffer forskjellige konklusjoner.
– Forklarbar KI åpner også veldig mange spennende muligheter innen medisinsk forskning. Det er et kraftig, hypotesegenererende verktøy som kan finne ikke-lineære sammenhenger som ofte overses av mennesker og tradisjonell statistikk.
– Når vi trekker ut hvilke variabler som er viktigst, for eksempel bestemte bakterier eller proteiner, kan vi bruke det som utgangspunkt for videre forskning. For disse modellene ser på data på en helt annen måte enn vanlige statistiske metoder. Vi klarer å analysere datamaterialet med tanke på interaktivitet mellom variabler, noe som ofte blir borte i vanlig statistikk. KI-modellen kan se en slags interaktivitet mellom for eksempel proteiner eller bakterier, eller mellom andre variabler, forklarer han.
Samarbeid med Harvard University
En annen del av doktorgradsarbeidet til Fineide var å trene KI-modeller til automatisk analyse av begerceller på øyet, en celletype som er helt avgjørende for øyehelsen. Han samarbeidet med Harvard University som har et laboratorium som forsker spesifikt på slike celler. Det var antall begerceller på bildene de ønsket å finne.
Begerceller i øyet er spesialiserte celler i bindehinnen (konjunktiva) som produserer slim (mucin). Slimet er en avgjørende del av tårefilmen; det fester den fuktende tårevæsken til hornhinnen og smører øyet. Mangel på disse cellene fører til tørre øyne og ubehag.
I forskningen på begerceller kan man ikke alltid benytte seg av tradisjonelle maskiner for celletelling, siden disse ofte er avhengig av at cellene bearbeides på en måte som påvirker resultatene i senere eksperimenter. Dermed blir cellene talt manuelt. Med tusenvis av celler for hvert bilde er dette en tidkrevende jobb med stor feilmargin. Målet var derfor å utvikle KI-modeller som kan automatisere denne prosessen, som dermed vil øke nøyaktigheten og spare veldig mye tid og ressurser.
– For å kunne trene KI-modeller må man ha et datasett å trene på. Det fantes ikke noe datasett på begerceller i øyet, så det måtte vi lage. Vi gjorde det med noe som heter semantisk segmentering, det vil si at vi tegnet inn hver eneste celle på bildene i datasettet veldig nøye. Deretter trente vi modellene til å automatisk gjenkjenne begerceller samt angi deres størrelse, dette blir som prediksjonsmodeller på pikselnivå. Det ble veldig store data, og det er jo det disse modellene trenger, forklarer Fineide.
En økende og kompleks sykdom
Tørre øyne er en utbredt tilstand som rammer stadig flere, også yngre pasienter.
– Vi ser en økning i alle aldersgrupper. Det henger sammen med vår moderne livsstil, blant annet økt skjermbruk, medisiner og opphold i tørre inneklima, sier Fineide. Han understreker at tidlig behandling er viktig:
– Tilstanden kan utvikle seg til en ond sirkel med betennelse og forverring over tid. Da blir behandlingen mer komplisert.
Enkle tiltak som pauser fra skjerm og bruk av kunstig tårevæske kan hjelpe, men mange pasienter trenger mer avansert diagnostikk og behandling.
Tverrfaglighet som nøkkel
Doktorgraden er et resultat av tett samarbeid mellom medisin og teknologi, og er formelt forankret i ingeniørvitenskap.
– Jeg har fått en tverrfaglig kompetanse som blir stadig viktigere. Leger og dataingeniører er spesialister med ulike måter å tenke på. Det er ikke alltid klart for en ingeniør hva som er viktig for en lege, og det er ikke alltid klart for en lege hvilke muligheter og begrensninger som eksisterer fra et datavitenskapelig perspektiv. Vi trenger folk med tverrfaglig kompetanse som kan bygge bro mellom fagfeltene. Jeg er utrolig takknemlig for muligheten til å tilegne meg den nødvendige kunnskapen til å gjøre nettopp det, sier Fineide.
Forskningsarbeidet videreføres nå i et etablert samarbeid mellom Sykehuset Østfold, Oslo Universitetssykehus, OsloMet og andre fagmiljøer.
– Dette er ikke et prosjekt som stopper her. Vi har mange nye spørsmål vi ønsker å gå videre med, sier han. Vi jobber også med å etablere en forskningsgruppe eller kompetansegruppe innen KI på Sykehuset Østfold i samarbeid med forskningsavdelingen. Så her er det bare å ta kontakt om man er nysgjerrig på KI generelt eller hvis man ønsker å innlemme KI i egen forskning, avslutter Fineide.