Tekniken som används kallas för deep image prior-avbrusning, och kan bland annat reducera brus och ta bort skräp i MR-bilder.
Genom att köra bilderna igenom AI:n kan man få mer information om till exempel blodflöden i tumörer, förklarar Anders Garpebring som är docent i medicinsk strålningsfysik vid Umeå universitet. Informationen kan sedan användas för att bättre planera patienternas strålbehandling.
Metoden ska vara användbar när det är svårt att skilja på godartade och elakartade tumörer i ett bildmaterial.
– Det ger oss större möjligheter att ge säkrare diagnoser och mindre resurskrävande undersökningar, säger Anders Garpebring.
Finns risker – viktigt att inte skynda
Anders Garpebring säger att det finns en risk att AI kan visa något i bilden som egentligen inte finns där, eller att den raderar detaljer som borde finnas kvar. Därför betonar han vikten av att inte skynda sig att använda AI-tekniken, och att göra studier för att ta reda på om tekniken faktiskt innebär några risker.
Samtidigt menar Anders Garpebring att det också finns en risk i att inte använda AI.
– AI-systemet kan ge ett mervärde och är man för försiktig så går man miste om det mervärdet, säger han.
På forskningsstadiet – för tillfället
Redan idag används AI i vården exempelvis inom mammografi, men Anders Garpebrings forskning är för tillfället inget som används på patienter. På längre sikt hoppas han att den ska kunna tillämpas för att vårda patienter.
– Någon kanske kommer bygga vidare på det här. Sedan får vi se i framtiden om och hur det kommer användas.
AI inom medicin
På senare tid har en specifik sorts AI – deep image prior, som är djupa neurala nätverk – fått stort genomslag inte minst inom medicinsk tillämpning. Dessa nätverk kan tränas att till exempel identifiera komplexa samband.
Det kan exempelvis vara att lära sig att rita ut var tumörer ligger i bilder, avgöra om en tumör är benign eller malign, eller rensa bort brus och andra störningar i bilder.
AI används i allt högre utsträckning inom både hälso- och sjukvård och medicinsk forskning, exempelvis för att förbättra bildkvalitén på MRT-bilder, vilket innebär kortare undersökningstider. Den kan också ge stöd i repetitiva moment som när riskorgan och tumörer ska identifieras vid strålbehandling.
Källa: Umeå universitet
