Det kan være hårdt at analysere røntgenbilleder i timevis ad gangen, og nogle gange leder det uundgåeligt til menneskelige fejl, når radiologer bliver trætte i hovedet og øjnene. Nu viser ny forskning, at det med kunstig intelligens er muligt at følge radiologernes øjne og fortælle dem, hvornår det måske er tid til at få en anden fagperson til at kigge på røntgenbillederne en ekstra gang.
Når radiologer skal identificere, om en patient har for eksempel kræft i lungerne eller lungebetændelse, skal de analysere røntgenbilleder.
For en ekspert er det muligt at identificere uregelmæssigheder i et røntgenbillede og på den baggrund stille en diagnose.
Selv eksperter kan dog blive trætte i hovedet og øjnene, og efter mange timer med øjnene på skærmen kan der snige sig fejl ind. I værste tilfælde kan fejl betyde, at en sygdom bliver overset, og patienten bliver ikke behandlet.
Faktisk er det sådan, at mellem 60 og 80 pct. af fejl i billeddiagnostikken skyldes, at radiologer overser anormaliteter, og det er også velkendt, at antallet af fejl stiger mod slutningen af en lang arbejdsdag.
Nu viser ny forskning, at det med kunstig intelligens er muligt at støtte radiologerne i deres arbejde og fortælle dem, hvornår deres øjne ikke længere får alle detaljer i skanningsbillederne med, og hvornår det derfor kan være en god idé med et ekstra sæt øjne til at vurdere, hvordan det ser ud med patienten.
”Det handler ikke om, at vi skal erstatte radiologer med kunstig intelligens eller identificere deres fejl, men at vi skal bruge kunstig intelligens til at støtte op om fagpersoner i sundhedssektoren på en måde, så det kan implementeres hurtigt og uden risiko for patienterne,” forklarer en af forskerne bag studiet, lektor Bulat Ibragimov fra Datalogisk Institut ved Københavns Universitet.
Forskningen er offentliggjort i IEEE Journal of Biomedical and Health Informatics.
Radiologer undersøger mindre af et billede over tid
I studiet har forskerne brugt eye-tracking kameraer og kunstig intelligens til at følge øjnenes bevægelsesmønstre hos fire radiologer, mens de undersøgte 400 røntgenbilleder af patienters lunger.
Formålet med undersøgelsen var at se, om kunstig intelligens kunne identificere, hvornår radiologerne blev trætte af at læse billeder og ikke længere fik undersøgt alle dele af billederne lige grundigt.
Resultatet af undersøgelsen viste, at radiologerne over tid undersøgte mindre og mindre af billedet og dermed mindre af patienternes lunger. Det er ikke svært at forestille sig, at det kan have klinisk betydning.
Bulat Ibragimov fortæller, at tidligere undersøgelser har vist, at hen imod afslutningen af en lang vagt laver radiologer 30 pct. flere fejl. En del af forklaringen er formentlig, at de ikke længere får undersøgt billederne af patienternes lunger så godt, som de burde.
”Hvis man er frisk og undersøger hele lungen, er man mindre tilbøjelig til at overse noget. Men i takt med at man bliver træt og undersøger mindre og mindre af lungerne, stiger risikoen for, at fejl kan snige sig ind. Derudover kan andre ting, som for eksempel at have tankerne på en skilsmisse eller andet, også påvirke, hvor godt man som radiolog får undersøgt patienternes skanningsbilleder. Den udviklede løsning med kunstig intelligens vil gøre os i stand til at fange sådanne tilfælde, når lægen skal hvile,” siger han.
Radiologer skal ikke erstattes, men støttes af kunstig intelligens
Bulat Ibragimov fortæller, at formålet med at analysere radiologernes øjne og blotlægge, om de undersøger hele røntgenbilledet grundigt, er en ny måde at hjælpe den radiologiske arbejdsgang med minimal risiko.
Den kunstige intelligens-algoritme udfører ikke diagnoser, så den kan ikke lave diagnosefejl. Derimod er formålet at udvikle en form for alarm, der automatisk kan fortælle radiologer, når et billede ikke er undersøgt godt nok. I det tilfælde kan computeren automatisk kalde på en ekstra undersøgelse fra en anden radiolog.
”Det er vigtigt at fange, når et billede ikke bliver undersøgt ordentligt, hvilket kan være til fare for patienten. Kan vi i de tilfælde indføre en ekstra undersøgelse, vil det eliminere mange af de menneskelige fejl, som specielt opstår henimod slutningen af en lang vagt,” siger Bulat Ibragimov.
Behøver ikke være 100 pct. fejlfrit
Bulat Ibragimov mener, at systemet til at følge radiologernes øjne hurtigt kan implementeres.
For det første skal systemet ikke erstatte noget andet system, og da det heller ikke forstyrrer billedanalyse eller diagnostiske beslutninger, kræver det ikke en lang godkendelsesprocedure, hvilket det som eksempel ville kræve, hvis man ville have kunstig intelligens til at analysere billederne i stedet for en radiolog. I det tilfælde skulle det bevises, at systemet var tæt på 100 pct. fejlfrit.
Sådan er det ikke med det system, som Bulat Ibragimov har udviklet.
Hvis systemet overser noget, som radiologen også har overset, ændrer det ikke ved udfaldet.
Til gengæld kan systemet hjælpe med at lave flere korrekte diagnoser og færre fejl.
”Det er en ny måde at tænke i brugen af kunstig intelligens i sundhedsvæsnet. Perspektiverne om at eye-tracke radiologer og at analysere de opnåede resultater med kunstig intelligens er ikke begrænset til at forudsige træthed. Vi overvejer at bruge systemet til at træne radiologer. Her kan vi lade modellen følge øjnene på en ekspert-radiolog først og derefter de studerendes. På den måde kan vi sige, hvornår de studerendes øjenbevægelser begynder at ligne en eksperts, og hvornår de dermed er klar til at blive sluppet løs på rigtige patienter,” siger Bulat Ibragimov.
Han fortæller, at forskerne desuden udfører flere undersøgelser, hvor de ikke bare kigger på, hvordan radiologernes øjne undersøger mindre over tid, men også hvad de kigger på, og hvad de i så fald bruger mindre tid på at undersøge.