Alzheimer er en snikende sykdom som kan være vanskelig å diagnostisere. Ofte kommer diagnosen for sent, når man ikke lenger kan bremse forløpet. 

Heldigvis ser det ut til at kunstig intelligens (KI) kan hjelpe legene å oppdage Alzheimer på et langt tidligere tidspunkt enn før, slik at man i større grad kan forebygge utviklingen av sykdommen. 

En ny metode lover godt for å kunne iverksette screening – altså tidlig massetesting – for Alzheimer.

Samler pasientinformasjon raskere 

– I tillegg til at Alzheimer kan være vanskelig å diagnostisere på et tidlig tidspunkt i sykdomsforløpet, er et av problemene at vi ikke har nok leger som kan stille tidlig diagnose, sier Abdullah Lakhan, forsker ved Kristiania.

Han har sammen med kollegaer utviklet en metode for å stille diagnose enklere, raskere og på et tidligere tidspunkt enn andre KI-metoder har klart så langt.

– Vi har bygget opp en infrastruktur som fungerer mer effektivt og sikkert. Når legene får resultatene fra datamaskinene, kan de tolke, gjøre egne vurderinger og deretter mate inn mer informasjon før de stiller endelig diagnose, sier Lakhan.

Kort fortalt handler metoden om å bygge opp en infrastruktur som gjør at ulike typer prøver fra yngre mennesker analyseres raskere og mer presist ved hjelp av kunstig intelligens. 

Systemet innebærer altså en ny måte å samle inn og behandle pasientinformasjon.

Kunstig intelligens i samspill med legene

Metoden baserer seg på såkalt forklarende kunstig intelligens. Dette er en type KI som er utviklet for å sikre at de som bruker systemet forstår hvordan datamaskinene har kommet frem til en beslutning. Slik kan legene avgjøre om de er fornøyde med resultatet. 

Maskinene blir matet med informasjon som for eksempel blodprøver, MR-bilder og målinger av elektrisk aktivitet i hjernen (EEG). Dette setter datamaskinene i stand til å finne akkurat de mønstrene som innebærer at vi har å gjøre med Alzheimer. Deretter tolker legene resultatene og kan eventuelt tilføre mer informasjon og gjøre justeringer før maskinene gjør en enda dypere analyse.

– Vi har lagt inn sikkerhetsmomenter gjennom hele infrastrukturen for å sikre gjennomsiktighet, trygghet, tillit til systemet og ansvarlighet. Maskiner alene kan ikke ta avgjørelser. Det må leger gjøre, sier Lakhan.

Når legene hele tiden mater inn ny informasjon og gjør vurderinger, så vil også systemene for KI utvikle seg i en slags evolusjon. Derfor har forskerne kalt metoden «Evolutionary Deep Convolutional Neural Network Scheme», forkortet EDCNNS.

Metode for å stille mange typer diagnoser

Tenk deg at legen din tar en blodprøve og bruker kunstig intelligens til å analysere den. 

På et laboratorium tar en annen lege MR-bilder, som også mates inn i en datamaskin for analyse. 

En tredje ser på EEG-informasjon. 

Da har du altså tre datamaskiner utstyrt med avansert KI. Hver lege arbeider med et bestemt datasett for å finne gjenkjennelige mønstre som kan avdekke om du har begynnende Alzheimer. Eller en annen sykdom. Slik blir systemet svært effektivt.

Dersom tilsvarende analyser foregår ved mange lokale laboratorier eller legekontor, er det mange enheter som hele tiden utvikler seg og blir mer presise, mer effektive og mer pålitelige. 

Legene ved de ulike klinikkene samler sammen informasjonen og gjør sine analyser. Alle disse datamaskinene er også koblet sammen, slik at de kan lære av hverandre. 

Både læringen og analysene skjer i såkalt sanntid. Det betyr at datasystemet kontrollerer alle prosesser løpende og reagerer på ny informasjon øyeblikkelig.

– Systemet totalt sett vil etter hvert ha dyp kunnskap som gjør det mulig å stille diagnoser med stor presisjon og mye raskere enn i dag, sier Abdullah Lakhan.

Samspillet i systemet er nøkkelen 

– I vår forskning har vi valgt å vektlegge infrastrukturen, altså måten systemet er rigget og jobber sammen, fremfor å fokusere kun på enkeltstående datasett og algoritmer. Slik har vi funnet frem til et oppsett som vil være mindre kostbart, forklarer forskeren.

Dermed vil de kunne legge opp til screening, som også er en forutsetning for å kunne stille diagnose på et tidlig tidspunkt.

Metoden har vist seg å ikke bare være mer effektiv, men også langt mer nøyaktig i beregningene enn eksisterende KI-systemer for diagnostisering av Alzheimer. I tillegg er altså sikkerheten betydelig bedret, ifølge Lakhan.

Pasientdata i skyen og pasientdata lokalt

Å laste opp data i skybaserte systemer koster både tid og penger. Forskerne mener det vil være unødvendig å til enhver tid laste opp all informasjon om alle pasienter til en sky.  Et slikt system ville kreve enorm lagringskapasitet og dessuten etter hvert jobbe veldig tregt. 

Da er det bedre at en lokal datamaskin velger den mest relevante informasjonen og sender videre til skyen. Ditt lokale legekontor blir her en slags node i et større lokalt system som henger sammen og som likevel kommuniserer og deler data med skyen. Et nettverk av lokale klinikker som alle er nær egne pasienter vil likevel ha nytte at at skyen blir hovedsentralen i et slikt system.

Lokale analyser av blodprøver blir delt med datasystemer med kunstig intelligens i dette nettverket. Når maskinen etter hvert har fått mye informasjon og har analysert mange prøver, vil den ha lært seg å kjenne igjen mønstrene som utgjør ulike sykdommer, for eksempel Alzheimer.

– Systemet er rigget slik at alle delene lærer av hverandre ved at skyen samler inn og sammenstiller all kunnskapen som skapes ved alle lokale klinikker, legekontor og laboratorier, forklarer Abdullah Lakhan

Forskerne kaller dette «Vertical Federated Learning», et slags «forbund av læring og kunnskapsdeling».

Fordeler med systemet

• Hver «node», som kan være ditt lokale legekontor, kan jobbe med mindre informasjon og dermed være svært effektiv.
• Hver node analyserer sitt sett med informasjon og videreformidler det som er nødvendig for at hele systemet skal både lære underveis og samle sammen riktig informasjon totalt sett.
• Skyen inneholder store mengder oppsamlet kunnskap som den enkelte node kan dra nytte av.

Referanse:

Abdullah Lakhan mfl.: EDCNNS: Federated learning enabled evolutionary deep convolutional neural network for Alzheimer disease detection. Applied Soft Computing, 2023.  Doi.org/10.1016/j.asoc.2023.110804

Artikkelen er produsert og finansiert av Høyskolen Kristiania

Høyskolen Kristiania er én av over 80 eiere av forskning.no. Deres kommunikasjonsansatte leverer innhold til forskning.no. Vi merker dette innholdet for å tydelig skille formidling fra uavhengig redaksjonelt stoff.
Her kan du lese mer om ordningen.

Les også disse sakene fra Høyskolen Kristiania:

"høyskolen kristiania" AND "partner"

• 

  Offentlige anskaffelser for ufattelige 743 milliarder kroner: – Svært mange av valgene tas på intuisjon og magefølelse

• 

  Derfor blir det kaos i norsk idrett

• 

  Roboter og kroppsnær teknologi vil kunne hjelpe oss å hjelpe hverandre i fremtiden

• 

  Slik unngår du å bli tatt i fusk på eksamen

• 

  Boklesingens kår i 2023: Vi vil, men får det ikke helt til

• 

  Hvordan komponerer man musikk for teater?

Les flere saker fra Høyskolen Kristiania her.

forskning.no vil gjerne høre fra deg!
Har du en tilbakemelding, spørsmål, ros eller kritikk? TA KONTAKT HER