Datahungrende computere opdager skjulte sammenhænge

I hænderne på datalog Claes Nøhr Ladefoged har kunstig intelligens gjort sit indtog i billeddiagnostikken på Rigshospitalet. Teknologien sparer allerede patienter med hjernesygdomme for unødvendige scanninger, og hans store drøm er at udvikle en hjælper med kunstig intelligens til lægerne.


I kælderen under Rigshospitalet er en lille programmerende forskergruppe på ti computerkyndige personer i gang med at redefinere, hvordan man kan forbedre forløbene for hospitalets patienter. De forsøger at perfektionere billeddiagnostikken ved hjælp af deep learning og kunstig intelligens – og har held med det. 

Forskergruppens mødebord er klemt inde i entreen ind til en håndfuld nøgne kontorer. I det første delekontor sidder den 32-årige datalog Claes Nøhr Ladefoged, som under to år efter at have færdiggjort sit ph.d.-forløb nu leder gruppen sammen med Flemming Littrup Andersen. Clinically Applied Artificial Intelligence (CAAI) kalder de deres egen gruppe, og selvom der går langt mellem, at de snakker med en patient, så tag ikke fejl: De sidder her for patienternes skyld. 

For i hænderne på en god programmør med den nødvendige teknologi kan de datahungrende computere opdage nye sammenhænge skjult for selv det mest trænede sundhedsfaglige øje. 

Sparer en CT-scanning

Forskergruppen er ansat af Klinik for Klinisk Fysiologi, Nuklearmedicin og PET til at forbedre forløbene for patienter, som skal scannes. I billeddiagnostikken er der åbenlyse gevinster at hente ved at lade computerne hjælpe med at analysere scanningsbilleder, forklarer Claes Nøhr Ladefoged. 

- Med deep learning har vi nu mulighed for at transformere den måde, vi behandler patienter og forsker i sygdomme på. Vi udvikler kunstig intelligens helt inde fra hospitalerne i samarbejde med lægerne, og det sikrer, at det kan bruges i klinikken, siger han. 

For en patient med en kognitiv forstyrrelse, fx demens, har det i lang tid ikke været nok at blive scannet i hospitalets ellers meget avancerede PET/MR-scanner. Lægerne har måttet supplere med en CT-scanning, som også kan vise knogledele i hjernen.  Men i sit ph.d.-forløb udviklede Claes Nøhr Ladefoged en algoritme, som succesfuldt kunne omdanne en MR-scanning til en CT-scanning. Metoden er siden blev videreudviklet, og siden maj 2019 er de fleste PET/MR-patienter sluppet for at blive CT-scannet – og undgår dermed unødvendig radioaktiv stråling og en hel del besvær. Ugentligt drejer det sig om godt 20 patienter. I den daglige drift foregår det helt fuldautomatisk, at computeren omdanner MR-scanningerne til CT-billeder, så lægerne har alle informationer til rådighed i diagnostikken.

Udkonkurreret af deep learning


Et MR-billede, som viser bløddele med stor kontrast, er standard til de fleste hjerneundersøgelser. Men knogler har ikke noget signal på MR og fremstår derfor sort. Hvis man skal have et reelt billede (med knogler) for at lave stråleplaner eller til PET/MR, skal man bruge en CT-scanning (som vist i midten). Forskergruppens løsning er at lære en AI-algoritme til at forudsige CT-billedet ud fra kun MR. 

Selv som relativt nyuddannet datalog må han sande, at viden i dette felt ikke overlever mange videnskabelige årskongresser. Siden Claes Nøhr Ladefoged færdiggjorde sit ph.d.-studie i 2017 har han selv været med til at introducere computerteknologien deep learning, som på små to år har udkonkurreret hans egen algoritme. Den nye deep learning-algoritme har ændret fundamentalt på Claes Nøhr Ladefogeds arbejde. For i stedet for at bruge sin energi på at finde den rette måde at regne tingene ud på, handler hans arbejde - forenklet sagt - om at levere de rette data til computeren. Gør han det, så finder deep learning-teknologien selv sammenhængene og bliver kontinuerligt bedre til at se disse sammenhænge, forklarer han.  

- Præcisionen er forbedret markant med deep learning. Min egen algoritme kunne præstere inden for en margen på tre procent i fejl. Med deep learning går det endnu bedre. Så længe vi fodrer systemet nok gange med nok data, så virker det ret fremragende, siger han. 

Når man arbejder med kunstig intelligens i billeddiagnostikken, handler det f.eks. om at vise computeren tusindvis af scanningsbilleder af patienter fra henholdsvis en PET/MR-scanner og en CT-scanner. Over tid vil deep learning-teknologien og computeren lære sig selv, hvordan et CT-billede ville se ud, hvis et MR-billede ser ud på en bestemt måde. 

Algoritmen baseret på deep learning deler han gratis ud til andre hospitaler, som måtte ønske at arbejde med hjernescanninger. Det lovende ved modellen er, at den også kan bredes ud til scanninger af andre kropsdele. Det handler blot om, at computeren og den kunstige intelligens skal have tid til at lære. 

Fra 15 timer til 15 sekunder


I et lille afkølet lokale flere snørklede kældergange fra hans kontor står computerserverne. De er tunet med syv Titan-grafikkort til 35.000 kr. pr. stk. Grafikkortene sikrer, at man nu f.eks. kan analysere en patients scanningsbillede på 15-30 sekunder – mod 15 timer tidligere. Med andre ord: De kan multitaske som ingen andre.

Motoren i deep learning er rå computerkraft, og hvis vi snakker big data i stor skala, er det stadig begrænsningen for Claes Nøhr Ladefogeds forskergruppe. De søger i øjeblikket penge til en supercomputer, for der er behov for mere regnekraft, når datamængden stiger. 

Deep learning-modellens træningstid stiger med mængden af data, og hvis den skal kunne analysere en ny patient for en læge på et par sekunder med høj præcision, har det krævet mange dages datatræning at nå dertil. Så hvis man som Claes Nøhr Ladefoged f.eks. ønsker at samkøre scanningsbilleder med information fra biologiske markører på tusindvis af patienter, kan det kun gøres på en supercomputer. 

En anden udfordring er, at deep learning-systemet grovæder data i en sådan grad, at mange diagnostiske områder endnu ikke har data nok tilgængeligt til at udnytte teknologiens fulde potentiale. Det kunne f.eks. være til kohorteanalyser af komplekse sammenhænge mellem sygdommens oprindelse (ætiologi), forandringerne i organismen, som fører til sygdommen (patogenese), og selve behandlingen. Disse dataanalyser vil også kunne bruges til at udvikle personlig medicin skræddersyet til den enkelte patient.

Vigtigste arbejdsredskab er lægerne


I Claes Nøhr Ladefogeds kontor viser et lille vindue vej ud af kælderens kunstige lys og ud i en atriumgård med borde og grønne træer. Der er langt til en dør ud i det fri, så når han skal have luft fra computerskærmene, kravler Claes Nøhr Ladefogeds 192 cm ud gennem vinduet – og med lidt mere besvær den samme vej ind igen. 

I atriumgården tårner Rigshospitalets etager sig op på alle fire sider. Han er blevet tilbudt et kontor højere oppe – tæt på klinikledelsen. Men det giver ikke mening for ham. Det er for upraktisk. Hans hverdag samler sig omkring forskningsgruppen, og det er nemmere at arbejde sammen, når de sidder lige ved siden af hinanden. 

Til gengæld kan han ikke gøre meget gavn uden den tætte kliniske kontakt. Spørger man ham, hvad hans vigtigste arbejdsredskab er, så svarer han lægerne. 

- Det vigtigste, når man arbejder med kunstig intelligens i sundhedsvæsenet, er samarbejdet med lægerne. De sidder med indsigten i problemet og kan vurdere sandsynligheden for succes. I vores sundhedsdatalogiske verden benyttes ofte offentlige databaser med data, og man kan derfor i princippet gennemføre projekterne uden lægerne. Problemet er bare, at patienterne i databaserne sjældent ligner de patienter, vi ser på afdelingen. Jeg tror ikke, at man på den måde udvikler de bedste systemer for hospitalerne.

Ansvaret er stadig lægens


I juli 2019 var Claes Nøhr Ladefoged på kongres og fremlægge nye resultater inden for et andet forskningsområde, som sandsynligvis snart kommer til at gavne patienter med behov for en PET-scanning. 

Når man scanner, får patienten sprøjtet et radioaktivt sporstof ind, som er nødvendigt for at frembringe billeder, som lægerne kan bruge i diagnostikken. 

- Vi sprøjter et sporstof ind i patienter, som over tid kan være kræftfremkaldende, hvis patienter skal igennem mange undersøgelser. Derfor er det et afgørende princip i billeddiagnostikken at forsøge at reducere dosis så meget, som det er muligt. Jeg har netop fremlagt resultater, som viser, at man med kunstig intelligens kan arbejde med billederne og få samme kvalitet med brug af en tiendedel så lidt sporstof, forklarer han. 

Men før Rigshospitalet kan få den etiske godkendelse til at reducere dosis så kraftigt, kræver det en tilstrækkelig afprøvning for bevise, at billedkvaliteten ikke går tabt. Så næste skridt er nu at gennemføre et pilotforsøg, hvor patienterne både bliver scannet med den nuværende dosis og med en tiendedel dosis.

Som Claes Nøhr Ladefoged siger, så skal resultaterne være så valide, at lægerne i sidste ende tør tage ansvaret, hvis noget går galt, og de overser noget, som kan skade patienterne. 

Vil finde overleverne


Claes Nøhr Ladefogeds drøm for billeddiagnostikken og den kunstige intelligens er, at computeren som en slags diagnostisk hjælper sørger for en automatisk indtegning af problemområder, så lægen har nogle meget kvalificerede bud på, hvad patienten fejler, når lægen skal vurdere patientens sygdom. 

- Vi er ikke ude på at erstatte lægerne, men vi vil gerne kunne hjælpe dem til at udføre en mere præcis diagnostik, siger han.

I et lidt kortere perspektiv har han fået penge til at forske i, om man ud fra scanninger kan forudsige overlevelsen for patienter med hjernetumorer. Lykkes det, så kan man bedre vurdere, hvem der skal behandles med kraftig dosis stråling, og hvem man bør skåne. 

- Med den viden kan vi adskille patienterne, der skal have mere aggressiv behandling, fra dem der har gode overlevelsesmuligheder og derfor kan nøjes med behandling med mindre følgeskader.

Igen er datalogikken for Claes Nøhr Ladefogeds arbejde i kælderen under Rigshospitalet til at forstå: Data skal støtte lægernes vurderinger og hjælpe patienterne til bedre og mere skånsomme forløb.


Claes Nøhr Ladefoged (CV)

2018-: Postdoc-ansættelse i Klinik for Klinisk Fysiologi, Nuklearmedicin og PET, Rigshospitalet. Her leder han forskningsgruppen Clinically Applied Artificial Intelligence (CAAI), som forsker i kunstig intelligens i billeddiagnostikken. 

2015-2017: Ph.d.-grad i medicinsk og molekylær billeddiagnostik ved Københavns Universitet og af Klinik for Klinisk Fysiologi, Nuklearmedicin og PET, Rigshospitalet. Ph.d.-titel: Improvement of quantitative PET/MRI for better diagnostics in cancer imaging and neurological diseases

2013-2014: Forskningsassistent i Klinik for Klinisk Fysiologi, Nuklearmedicin og PET, Rigshospitalet. 

2008-2013: Bachelorgrad og kandidatgrad i datalogi fra Københavns Universitet. 

Er akademisk sekretær i Rigshospitalets forskningsstrategiske råd 

Vandt Lundbeckfondens talentpris i 2016


Redaktør