Robotterne kommer: Kunstig intelligens kan hjælpe læger med diagnoser

Forskere har opbygget et system, som automatisk kan diagnosticere almindelige børnesygdomme, og det vil kunne hjælpe læger i fremtiden, mener de.

Hvert eneste år forlader millioner af patienter deres læges konsultation med en forkert diagnose. Lægerne forsøger at være systematiske, når de sporer sig ind på sygdomme, men forudfattede meninger kan spille ind. Alternativer bliver overset.

Nu har en gruppe forskere i USA og Kina afprøvet en mulig løsning for de kun alt for menneskelige skrøbeligheder: Kunstig intelligens.

I en artikel offentliggjort mandag i tidsskriftet Nature Medicine kunne forskerne fortælle, at de har opbygget et system, som automatisk diagnosticerer almindelige børnesygdomme – fra influenza til meningitis – efter at være fodret med patientens symptomer, sygdomshistorie, laboratorieresultater og andre kliniske data.

Systemet var meget præcist, siger forskerne, og en skønne dag kan det assistere lægerne med at diagnosticere komplekse og sjældne sygdomme.

En forsøgskørsel trak på journaler for over næsten 600.000 kinesiske patienter, der havde besøgt pædiatriske afdelinger over en periode på 18 måneder. Den store mængde data, som anvendes til kalibrering af dette system, understreger den fordel, Kina kan have frem mod udviklingen af kunstig intelligens:

Fordi landets befolkning er så enorm, og fordi de kinesiske regler om privatlivets fred opstiller færre begrænsninger for deling af digitale data, kan det være lettere for kinesiske selskaber og forskere at opbygge systemer til »dyb læring«, som hastigt forandrer vores sundhedssystemer.

Mandag underskrev præsident Donald Trump et dekret, der skal fremme udviklingen af kunstig intelligens inden for den offentlige administration, den akademiske verden og erhvervslivet i USA. Som led i dette »American A.I. Initiative« vil regeringen opmuntre føderale institutioner og universiteter til at dele data, som kan fremme udviklingen af automatiserede systemer.

Forsøg i Guangzhou

Efter at have forandret internetservice, forbrugerelektronik og førerløse biler i den første del af årtiet er dyb læring nu på vej ind på talrige områder af sundhedssektoren. Mange organisationer er i færd med at udvikle testsystemer, som analyserer elektroniske sygejournaler med henblik på at opfange sygdomme som knogleskørhed, sukkersyge, forhøjet blodtryk og hjertesvigt.

Teknologien anvendes også til automatisk at opdage sygdomme og helbredsproblemer ved hjælp af røntgenfotografi, MR-scanning og øjenscanning.

Dr. Kang Zhang fra University of California, San Diego, har anvendt teknologien til at analysere øjenscanninger for blødninger, læsioner og andre tegn på diabetes. Nu har han og hans kolleger skabt et system, som kan diagnosticere en endnu bredere palet af tilstande ved at genkende mønstre i tekst og ikke blot i de medicinske fotografier.

»I nogle situationer kan lægerne ikke selv overveje alle muligheder,« siger dr. Zhang. »Dette system kan finde ligheder og sikre, at lægerne ikke overser noget.«

Det eksperimentelle system analyserede de elektroniske journaler for næsten 600.000 patienter på Guangzhou Kvinde- og Børneklinik i det sydlige Kina. Systemet lærte at koble almindeligt forekommende tilstande med særlige patientinformationer, som læger, sygeplejersker og andet personale havde indsamlet og registreret.

Systemet var 87 procent korrekt i diagnostisering af mave-tarmsygdomme, mens lægerne selv lå mellem 82 og 90 procent. Det var mere end 90 procent korrekt i diagnosticeringen af astma, hvor lægerne lå mellem 80 og 94 procent.

Selv eksperterne har svært ved at forstå systemerne

Hvis disse systemer – somme tider kaldet kunstige neurale netværk – formår at genkende mønstre, som mennesker aldrig vil kunne identificere på egen hånd, så kan de vise sig at være meget anvendelige i den rette situation.

Eksperter har svært ved at forstå, hvordan den type netværk træffer bestemte beslutninger, og hvordan netværkerne bliver klogere. Det betyder, at der fortsat kræves mange og store forsøg for at sikre, at disse systemer er pålidelige.

Det kan derfor vare flere år, inden systemer med dyb læring finder anvendelse på skadestuer og sygehuse. Og hvor dr. Kang Zhang og hans kolleger er omhyggelige med at beskytte patienternes privatliv i deres arbejde, kan forskere i Kina have en fordel, når det gælder indsamling og analyse af den slags data, vurderer han.

»Alene befolkningens størrelse og dermed også mængden af data – det er en stor forskel,« siger Zhang.

Oversættelse: Lars Rosenkvist