Kunstig intelligens kan gjøre det mulig å oppdage Alzheimer tidligere

INNOVASJON VED KRISTIANIA: Abdullah Lakhan om KI for å påvise Alzheimer

Alzheimer er en snikende sykdom som kan være vanskelig å diagnostisere. Ofte kommer diagnosen for sent, når man ikke lenger kan bremse forløpet. Rundt 60.000 nordmenn lider av sykdommen i dag, og Menon Economics har regnet ut at Alzheimer og annen demens koster samfunnet 100 milliarder i året og om 20 år vil koste det dobbelte. Over hele verden øker antall pasienter med demens.  

Heldigvis ser det ut til at kunstig intelligens kan hjelpe legene å oppdage Alzheimer på et langt tidligere tidspunkt enn før, slik at man i større grad kan forebygge utviklingen av sykdommen. En ny metode lover godt for å kunne iverksette screening, altså massetesting for å oppdage sykdommen før symptomene vises.  

Vi har ikke nok leger til å stille tidlig diagnose 

– I tillegg til at Alzheimer kan være vanskelig å diagnostisere på et tidlig tidspunkt i sykdomsforløpet, er et av problemene at vi ikke har nok leger som kan stille tidlig diagnose, sier Abdullah Lakhan, seniorforsker ved Kristiania. 

Derfor har han sammen med noen kolleger utviklet en metode for å stille diagnose enklere, raskere og på et tidligere tidspunkt enn andre KI-metoder har klart så langt.  

– I vår metode har vi bygget opp en infrastruktur som fungerer mer effektivt og sikrere. Når legene får resultatene fra datamaskinene, kan de tolke, gjøre egne vurderinger og deretter mate inn mer informasjon før de stiller endelig diagnose, sier Lakhan.  

Kort fortalt handler metoden om å bygge opp en infrastruktur som gjør at ulike typer prøver fra yngre mennesker analyseres raskere og mer presist ved hjelp av kunstig intelligens. Systemet innebærer en ny måte å samle inn og behandle pasientinformasjon.  

– I vår metode har vi bygget opp en infrastruktur som fungerer mer effektivt og sikrere. Når legene får resultatene fra datamaskiner, kan de tolke, gjøre egne vurderinger og deretter mate inn mer informasjon før de stiller en endelig diagnose, sier Lakhan. 

Kort fortalt handler metoden om å bygge opp en infrastruktur som gjør at flere typer prøver av yngre mennesker blir analysert raskere og mer presist ved hjelp av kunstig intelligens. Systemet innebærer en ny måte å samle inn og behandle pasientinformasjon. 

Kunstig intelligens i samspill med legene 

Metoden baserer seg på forklarende kunstig intelligens. Dette er en type KI som er utviklet for å sikre at de som bruker systemet forstår hvordan datamaskinene har kommet frem til en beslutning. Slik kan legene avgjøre om de er fornøyde med resultatet.

Maskinene blir matet med informasjon som blodprøver, MR-bilder og EEG som setter dem i stand til å finne akkurat de mønstrene som innebærer at vi har å gjøre med Alzheimer. Deretter tolker legene resultatene og kan eventuelt tilføre mer informasjon og gjøre justeringer før maskinen gjør en enda dypere analyse.    

Maskiner alene kan ikke ta avgjørelser, det må leger gjøre 

– Vi har lagt inn sikkerhetsmomenter gjennom hele infrastrukturen for å sikre gjennomsiktighet, trygghet, tillit til systemet og ansvarlighet. Maskiner alene kan ikke ta avgjørelser, det må leger gjøre, sier Lakhan.  

Det at legene hele tiden kan mate inn ny informasjon og gjøre vurderinger, gjør at KI utvikler seg på en måte som innebærer en form for evolusjon. Derfor har forskerne kalt metoden EDCNNS (Evolutionary Deep Convolutional Neural Network Scheme).  

Metoden kan brukes til å stille mange typer diagnoser 

Tenk deg at legen din tar en blodprøve og bruker kunstig intelligens til å analysere den. På et laboratorium tar en annen lege MR-bilder, som også mates inn i en datamaskin for analyse. En tredje ser på EEG-informasjon.

Da har du altså tre datamaskiner utstyrt med avansert KI, som hver arbeider med ett spesifikt datasett for å finne gjenkjennelige mønstre som kan avdekke om du har begynnende Alzheimer. Eller en annen sykdom. Slik blir systemet svært effektivt.  

Dersom tilsvarende analyser foregår ved mange lokale laboratorier eller legekontor, er det mange enheter som hele tiden utvikler seg og blir mer presise, mer effektive og mer pålitelige. Legene ved de ulike klinikkene samler sammen informasjonen og gjør sine analyser.

Alle disse datamaskinene er også koblet sammen, slik at de kan lære av hverandre. Både læringen og analysene skjer i såkalt sanntid, som betyr at datasystemet kontrollerer alle prosesser løpende og reagerer på ny informasjon øyeblikkelig. 

– Systemet totalt sett vil etter hvert ha dyp kunnskap som gjør det mulig å stille diagnoser med stor presisjon og mye raskere enn i dag, sier Abdullah Lakhan. 

– I vår forskning har vi valgt å vektlegge infrastrukturen, altså måten systemet er rigget og jobber sammen, fremfor å fokusere kun på enkeltstående datasett og algoritmer. Slik har vi funnet frem til et oppsett som vil være mindre kostbart. Dermed vil vi kunne legge opp til screening, som også er en forutsetning for å kunne stille diagnose på et tidlig tidspunkt.  

Mer effektiv, mer nøyaktig og sikrere med “tåke-system” 

Metoden har vist seg å ikke bare være mer effektiv, men også langt mer nøyaktig i beregningene enn eksisterende KI-systemer for diagnostisering av Alzheimer. I tillegg er altså sikkerheten betydelig bedret, ifølge Lakhan.  

Vi er alle kjent med at data lagres i skybaserte systemer. Slik lagring kan være kostbar og det å laste opp mye informasjon til skyen kan ta tid. Dessuten behøver ikke all informasjon å lagres der; noe kan lagres midlertidig lokalt for å spare tid og penger. Tenk deg om all informasjon om alle pasienter til enhver tid skulle lastes opp til en sky – det ville kreve en enorm lagringskapasitet, og vi kan enkelt se for oss at systemet etter hvert ville jobbe veldig tregt. Noen ganger kan det også være tryggere å lagre informasjon lokalt. 

Derfor er det kanskje mer hensiktsmessig at en lokal datamaskin plukker ut den mest relevante informasjonen og sender videre til skyen. Ditt lokale legekontor kalles da en node i et større system som kalles tåke. Tåken er alle slike lokale klinikker – noder – som laster opp informasjon til skyen, og som henger sammen med hverandre. Det kalles tåke fordi dette nettverket av lokale klinikker befinner seg nærmere brukerne eller pasientene. Skyen er lenger unna, det er «hovedsentralen».  

Tilbake til blodprøven din, som ditt legekontor samler inn og analyserer. Resultatene av analysen og informasjon om hvordan maskinen kom frem til resultatet blir lagret. Når maskinen etter hvert har fått mye informasjon og har analysert mange prøver, vil den ha lært seg å kjenne igjen mønstrene som utgjør ulike sykdommer, for eksempel Alzheimer. 

Parallelt med det som skjer ved ditt legekontor, gjør også de andre klinikkene, legekontorene eller  laboratoriene – andre noder i tåken – sine analyser. Det totale systemet er rigget slik at alle delene lærer av hverandre ved at skyen samler inn og sammenstiller all kunnskapen som skapes. Dette kalles VFL (Vertical Federated Learning), altså et slags «forbund av læring og kunnskapsdeling».  

Fordelene med denne typen system er flere, blant annet: 

• Hver node kan jobbe med mindre informasjon og dermed være svært effektiv 
• Hver node analyserer sitt sett med informasjon og videreformidler det som er nødvendig for at hele systemet skal både lære underveis og samle sammen riktig informasjon totalt sett 
• Skyen inneholder store mengder aggregert kunnskap som den enkelte node kan dra nytte av