Kunstig intelligens (KI) har allerede gjort sitt inntog i helsesektoren. En ny studie viser at KI-assistert ultralyd også kan øke presisjonen ved diagnostisering og skille mellom god- og ondartede knuter på skjoldbruskkjertelen. Forskerne analyserte data fra 28 studier med til sammen over 130.000 pasienter og mer enn 150.000 skjoldbruskkjertelknuter, og resultatene viser at KI-systemer har høy diagnostisk nøyaktighet når det gjelder å skille mellom godartede og ondartede knuter. Sensitivitet (evne til å oppdage sykdom): ca. 89 % Spesifisitet (evne til å utelukke sykdom): ca. 84 % Dette betyr at teknologien i stor grad klarer å identifisere både de som faktisk har kreft og de som ikke har det. Bedre analyse av medisinske bilder KI-systemene analyserer ultralydbilder av skjoldbruskkjertelen, og særlig såkalte dyp-læringsmodeller (deep learning) utmerker seg, fordi de kan oppdage komplekse mønstre i bildene som kan være vanskelige å se for det menneskelige øyet. I motsetning til tradisjonelle metoder, som er avhengige av forhåndsdefinerte kriterier og subjektive vurderinger, lærer disse modellene direkte fra store datamengder. Dette gjør dem bedre egnet til å håndtere komplekse og nyanserte medisinske data. Studien tyder på at KI-verktøyene fungerer spesielt godt for pasienter over 50 år, kvinner og på knuter som er under 20 mm i diameter. Kan redusere unødvendige inngrep Denne forbedringen i diagnostikk også kan bidra til å redusere overbehandling. Oppdagelse av knuter på skjoldbruskkjertelen øker i omfang med bedre verktøy, og i dag oppdages mange små knuter som kanskje aldri ville utviklet seg til alvorlig sykdom. Ved hjelp av KI kan leger i større grad unngå unødvendige biopsier og operasjoner, og følge enkelte pasienter med aktiv overvåking i stedet for behandling. Fortsatt utfordringer Selv om resultatene er lovende, peker forskerne på flere store utfordringer: Studiene varierer mye i kvalitet og metode. De ulike KI-modellene varierer i presisjonsnivå. KI-systemer må fortsatt kvalitetssikres og brukes sammen med leger. I tillegg reiser teknologien spørsmål om personvern, ansvar og etikk som må avklares før bred implementering. Forskerne understreker også i sin artikkel at kunstig intelligens foreløpig bør brukes som et støtteverktøy, ikke som en erstatning for klinisk vurdering. Legens kompetanse vil fortsatt være avgjørende i diagnostikk og behandling. Veien videre, uttaler forskerne, bør være at forskningen fokuserer på å utvikle mer avanserte og presise modeller, kombinerer ulike typer data (bilder, genetikk, kliniske opplysninger) og tester teknologien i større og mer varierte pasientgrupper. Etterlyser tolkningsmodeller – I tillegg er tolkningsmodeller fortsatt en betydelig forskningsutfordring. Per i dag er mange forskere usikre på hvor pålitelige KI-modeller er. Som såkalte «black box»-systemer mangler de innsyn i hvordan diagnoser og beslutninger tas, noe som skaper et forståelsesgap mellom leger og modeller og svekker tilliten i klinisk praksis, skriver forskerne i artikkelen. – «Forklarbar kunstig intelligens» (interpretable AI) er en samlebetegnelse for verktøy og metoder som hjelper mennesker med å forstå og tolke prediksjonene fra maskinlæringsalgoritmer. Dette omfatter både forklarbare modeller og brukervennlige grensesnitt. Slike løsninger kan bidra til økt nøyaktighet, rettferdighet og åpenhet i diagnostiske modeller, og til bedre forståelse av beslutninger basert på kunstig intelligens.