Kunstig intelligens skal assistere med diagnoser på hudlidelser

Et nyt digitalt værktøj til praktiserende læger, som ved hjælp af kunstig intelligens skal hjælpe lægerne til at stille mere præcise diagnoser på hudsygdomme er målet med et tværfagligt projekt, som hudlæger i Aarhus er i fuld gang med.

Skællet hud, rødme, kløe - symptomer på mange forskellige hudlidelser ligner hinanden, og det kan derfor være vanskeligt for den praktiserende læge at stille en diagnose. Resultatet er, at flere patienter end nødvendigt bliver sendt videre til de hårdt pressede hudlæger.

Det er baggrunden for et ph.d.-projekt, som reservelæge Kenneth Thomsen fra Forskningsenheden for Hud- og Kønssygdomme på AUH, er i gang med i samarbejde med forskere på DTU.

”Kunstig intelligens for Dermatologi, et tværfagligt ph.d.-projekt mellem AUH og DTU”, hedder projektet, som netop har modtaget 30.000 kr. fra Psoriasis Forskningsfonden.

”Vi ønsker at effektivisere den primære sektor i diagnosticering af hudsygdomme. Ikke bare så patienterne bliver diagnosticeret hurtigt og korrekt, men også så det bliver nemmere at sortere, hvem der skal til hudlæge,” siger Kenneth Thomsen.

Men hvorfor lige kunstig intelligens?

”Jeg har altid været meget interesseret i kunstig intelligens, men har bemærket, at de værktøjer, der bliver udviklet, især er drevet af IT-ingeniører og ikke af læger. Det har været sådan en Ole-opfinder-tankegang, der har præget feltet, hvor man starter med ideen til et produkt, i stedet for at tage afsæt i hvilke problemer, man kan afhjælpe i hverdagen. Som læge har jeg en anden tilgang, som ligger tættere på klinikken,” siger Kenneth Thomsen.

950 diagnoser er i spil

Siden 2012 har han fulgt området, og sidste år udgav han et Review i Journal of Dermatological Treatment over publikationer om værktøjer med kunstig intelligens, som assisterer med at diagnosticere hudlidelser. Han fandt 2.175 i alt, men fik bekræftet, at der er plads til en kunstig intelligens, som kan jonglere med flere diagnoser. Størstedelen af de digitale assistenter inden for dermatologi er nemlig rettet mod modermærkekræft. Og det er der to gode grunde til.

”Det er vigtig beslutningsstøtte til lægen, men det er også de lavthængende frugter, man høster der. For det første er det relativt nemt at tage et billede af et enkelt modermærke og forstørre det, mens psoriasis, og andre hudsygdomme, som er spredt ud over kroppen og kan ligne hinanden i mere eller mindre grad, er sværere at tage billeder af. For det andet er det en simpel binær model, som skal svare på, om der er kræft eller ikke kræft. Altså ja – nej. Det er en meget mere kompleks opgave at udvikle en algoritme, der skal vælge det rigtige svar ud af ud af flere end 300.”

Men det er netop den udfordring Kenneth Thomsen har taget op. Den kunstige intelligens skal lære at skelne mellem flere end 950 ICD-10-diagnoser ved at pløje sig igennem 140.000 billeder af hudområder med både alvorlige og mere fredelige hudlæsioner.

Det lyder ambitiøst, og Kenneth Thomsen regner da heller ikke med, at den kunstige intelligens bliver lige skarp til alle diagnoser fra starten, men den lærer hele tiden. Når det gælder psoriasis, regner Kenneth Thomsen dog med, at værktøjet vil komme særligt godt fra start, fordi der findes et stort billedmateriale for netop den lidelse.  

Resultaterne med test af beta-versionen er lovende og lige på trapperne til at blive publiceret, fortæller han. I øjeblikket arbejder teamet på alfa-modellen, og når den er klar, skal den testes i klinikken.

Fra gennemgangen af de andre kunstige intelligenser har Kenneth Thomsen lært, at kliniske test er en mangelvare, og det er en barriere for at værktøjerne rent faktisk bliver taget i brug. En kunstig intelligens kan klare sig glimrende i en test med billeder, men dumpe fælt, når lægen tager den i brug.

”Det gælder næsten alle de værktøjer, vi har gennemgået, at de ikke er testet i klinikken. Overhovedet. Derfor er det en af de ting, vi fokuserer på. ”

Værktøjet er født med bias  

Altafgørende for værktøjets pålidelighed er også kvaliteten af input, og her er Kenneth Thomsen opmærksom på, at værktøjet vil være ”født” med en svaghed, fordi der mangler databaser med billeder af andre end kaukasiere og asiater.

”Vi træner algoritmen på en skandinavisk database, og det vil sige billeder af den skandinaviske populationstype, Fitzpatrick hudtype 2-3. Det er populært sagt leverpostejshår, blå øjne og lys hud, som de fleste skandinaver har. Og så har vi 25.000 billeder fra en asiatisk database med også. Men det vil sige, at der er en del etniciteter, som ikke er repræsenteret.”

Den medfødte bias understreger, at den kunstige intelligens ikke kan stå alene. Den er en beslutningsstøtte – og lægen med sin erfaring og viden er stadig den afgørende faktor i ligningen.

”Det her værktøj kan lægen hive frem, når han er i tvivl, om patienten skal have en henvisning, og om hvor hurtigt, det skal ske. Værktøjet skal ikke få lægen til at slå sin egen hjerne fra, og overlade diagnosticeringen til den kunstige intelligens. Hvis man gør det, får man store problemer,” siger Kenneth Thomsen.

På lang sigt – om 20-30 år, håber han, at bias er et overstået kapitel, og at værktøjet rent faktisk også kan stå alene, og dermed kan styrke patienternes autonomi. Med andre ord, at patienterne selv kan anvende den kunstige intelligens.

”Før det fulde potentiale i den her teknologi kan udløses, skal vi have interdisciplinære grupper på internationalt plan, hvor vi sammen kan bygge diagnostiske beslutningsstøttende redskaber, som kan hjælpe patienter i hele verden,” siger Kenneth Thomsen.