Kunstig intelligens – veien til bedre ressursutnyttelse?
Kunstig intelligens, eller AI som det ofte omtales som, har stort potensial for å utnytte ressursene bedre, hvis det brukes på rett måte.
Illustrasjonsfoto: Colourbox
Det store spørsmålet er kanskje hva som er den rette måten å bruke det på? Innenfor det medisinske området er det etter mitt syn et enormt potensial for å bruke maskinlæring til å hjelpe legene med å ta de rette beslutningene.
Selv om leger utdannes på de samme skolene og har de samme protokollene å forholde seg til, er det forskjeller i hvordan de tolker f.eks. MR-bilder og planlegger strålebehandlinger. Dette er ikke annet å vente når de skal tolke bilder og ta beslutninger ut fra det som vises på en skjerm foran dem. Legene som gjør slikt arbeid er dyktige mennesker med solid utdanning bak seg, og de bruker sine evner til det beste for pasientene. Det som er en utfordring, er at de kanskje må ta slike beslutninger uten at de har fått muligheten til å ta innover seg alle data. Maskiner kan sortere store mengder data og systematisere disse, sammenligne med kjente data og sette opp løsningsforslag for legene, langt raskere enn legene klarer å gjøre.
Kunstig intelligens har sin store fordel at den også kan lære underveis av det som legene velger å gjøre, og gir tilbakemelding til systemene om når det gjelder resultat av behandlingen som velges. Kunstig intelligens er for det meste noe som baserer seg på at de som lager systemene forsøker å gjenskape den ulineære og kompliserte virkeligheten med en mengde matematiske, lineære regnestykker. Sånn er det bare, det kompliserte og ulineære har elementer av kaos og mengder av forskjellige variabler som virker hver for seg og sammen på tidvis utrolige måter. Kroppene vår er eksempler på slike kompliserte ulineære systemer, og vi kan ikke få behandling etter lineære regler. Medisiner som jeg tar, virker mest sannsynlig ikke likt for deg som de gjør for meg. Da kan vi heller ikke basere beslutninger på enkle sammenligninger. Lineære betraktninger skal og må i størst mulig grad settes sammen slik at de kan gjenskape den kompliserte ulineære virkeligheten.
Mange små biter utgjør det store bildet
Synes du dette er vanskelig å forstå? Se for deg at du skal tegne en figur med omkrets laget av like lange og rette linjestykker. Bruker du tre får du en trekant, fire gir en firkant og fem en femkant. De ser ikke så veldig runde ut, men når du bruker for eksempel tusen like lange linjestykker på en millimeter og lager figuren med en slik omkrets, så ser det ut som en sirkel med diameter på om lag 31, 8 centimeter. Da skal du se nøye etter for å se at dette faktisk er tusen rette linjer, og ikke en sirkel med en sammenhengende buet linje som omkrets.
For å kunne regne i en datamaskin, og der er alt regnestykker, så må vi gjøre om alle data til ting som mikroprosessoren – hjernen – forstår. Den er ganske så lite intelligent, datamaskinens hjerne, så den må få veldefinerte oppgaver å arbeide med. Da er det en vanlig måte å gjøre det på at vi lager en samling lineære data som sammen skal etterligne det ulineære. Se illustrasjonen ovenfor.
MR-bilder er et område hvor det kan være mulig å prosessere store mengder data. Et MR-bilde er jo nettopp en stor samling av elektriske signaler som settes sammen til å vise et bilde som radiologene og andre som er spesialiserte på slikt arbeid kan tyde. Sammen med forskjellige bildesekvenser og bruk av kontrastvæske basert på metallet gadolinium, lages det et sett med bilder som viser hvordan det ser ut i hjernene våre. Alle disse små bildepunktene som viser hvordan det friske hjernevevet, blodårene og eventuelle uønskede celler i hjernene våre ser ut, kan mates inn i datamaskiner med stor regnekapasitet og lære av det som radiologene merker som svulster. Da kan også maskinene lære seg å søke etter små punkter i bildene som viser kontrastoppladning i en liten samling celler, så liten av radiologen ikke kan se dem med det blotte øye, og markere disse når det dreier seg om diffuse gliomer. Slik kan altså tilbakefall oppdages raskere ved jevnlige MR-kontroller, når maskinen sier i fra om at her er det noe som er så smått at det er vanskelig å se, men som oppfører seg akkurat som svulstvev er forventet å gjøre.
Maskinen kan foreslå, men legen bestemmer
Forslag til stråleplaner kan på samme måte settes opp, basert på hvordan utbredelsen på svulster er. De kan tegnes inn av maskinen og definere hva som er hovedområdet og hvordan dette også dekker små områder med spredte celler i nærheten. En erfaren nevroonkolog kan da se over forslaget og sammenligne med rapporten fra analysen av MR-bildene, og bestemme hvordan strålebehandlingen skal gjennomføres. Legen står ansvarlig for behandlingen, og det kan være at svulsten ligger så nærme kritiske deler av hjernen at det er andre hensyn som får større betydning enn det som maskinen foreslår. Behandling av hjernekreft er presisjonsmedisin, her er det ikke rom for store avvik når nevroonkologer og nevrokirurger skal gjøre jobben sin.
Også data fra nevropsykologiske undersøkelser kan kombineres med bilder, strålebehandling og kjemoterapidata. Funksjonstap som kommer som et resultat av sykdom og behandling, og hvordan de lar seg avhjelpe med rehabilitering, er interessant i et behandlingsperspektiv. Nevrokirurgene må gjerne fjerne så mye av hjernevevet at de påfører noen en midlertidig lammelse eller annet funksjonstap, for sikre at de får fjernet så mye som de kan før stråling og kjemoterapi skal ta resten av kreften. Nevrokirurgene ser ikke så lett hva som er svulstvev når de har åpnet hodeskallen, og må støtte seg til bilder og tredimensjonale navigeringssystem sammen med pasientens funksjon ved en eventuell våkenoperasjon. Samling av data fra behandling og pasientens liv i årene etterpå vil kunne gi ny, verdifull innsikt i hvor mye en kirurg kan fjerne innenfor en rimelig sannsynlighetsgrense, hvor pasienten fortsatt får tilbake god funksjon etter et midlertidig tap etter operasjon.
Hvor langt inn i fremtiden dette ligger, vites pr. i dag ikke. Det vi vet er at vi vet svært lite om hvordan kroppen vår virker, og da i særdeleshet hvordan hjernen virker og hvordan sykdommer oppstår og utvikles. Skal vi klare å lukke gapet mellom den kunnskapen vi har i dag og det vi trenger å vite for å gi presisjonsbehandling uten å gjette på løsninger i så stor grad som er nødvendig i dag, så trengs det langt mer viten. Viten får vi kun gjennom forskning og utvikle og ta i bruk ny teknologi. For å komme med et banalt eksempel til sammenligning; før i tiden fyrte folk opp med ved i åpne ildsteder for å tilberede mat og gi varme i husene sine. Nå har vi delt inn husene våre i mange soner, som alle er regulert for å nå bestemte mål. Kjøleskapene har lav temperatur, badene har gjerne høyere temperatur, koketoppene våre har plater som kan reguleres nærmest trinnløst og stekeovnene har svært høye temperaturer til å sørge for at brød og andre matvarer kan tilberedes slik at de blir velsmakende og trygge for oss å spise. Et annet eksempel er førerstøttesystemer i biler. Erfaringen fra utviklingen av slike dynamiske systemer viser oss at teknologien blir billigere og bedre i løpet av relativ kort tid.
Vi har ingen tid å miste, det må settes nok midler inn i forskning og utvikling av nye måter å diagnostisere og behandle sykdommer. Behovet for å behandle økende mengder med data, samtidig, slik at legene får bedre grunnlag for å bruke sine evner og utvise best mulig skjønn når det gjelder valg av behandling er udiskutabelt. Større bruk av tverrfaglige team ved sykehusene er nødvendig. Det viktigste er kanskje ikke å ha sykehuset fullt av leger og sykepleiere. Det viktigste er hvordan man klarer å utnytte de samlede evnene og kunnskapene som de ansatte besitter. Kjenner vi historien, så vet vi også at det er lite sannsynlig at dette er noe som det offentlige kan eller vil ivareta på en god måte på egen hånd. Det trengs mennesker med vilje til å satse på å nå «hårete mål» og utvikle teknologi som sykehusene kan bruke. Vi er også her avhengige av et offentlig-privat samarbeid.
Helsenæring, vår nye gullgruve?
Oljealderen er visst nok på hell. Vi trenger nye områder å lage velfungerende næringsliv i et velfungerende samfunn, på. Vi trenger rett og slett gründere som tør å satse på noe nytt som vi kan leve av i fremtiden. De mange evnerike menneskene som finnes i Norge har akkurat de samme forutsetningene som evnerike i andre land til å knekke nøtter. I tillegg har Norge en så sterk økonomi at vi kan tillate oss å sette noen millioner inn i slik utvikling, gjerne i samarbeid med andre land som det er naturlig å samarbeide med. Menneskelig intelligens kan lage kunstig intelligens som er mer til nytte enn at vi kan spørre ChatGPT om å skrive et stykke om Henrik Ibsens største verk, eller lage bilder av hunder og katter, slik som Edvard Munch mest sannsynlig ville ha gjort det.
Hund og katt slik Edvard Munch kunne ha gjort det – generert med kunstig intelligens.
Kunstig intelligens innenfor medisinske anvendelsesområder er en viktig del av fremtiden, og en måte å få ressursene til å rekke lengre. Vi må bare lage systemene først. Det er vi intelligente nok til å forstå, selv de som ikke vil finne på å omtale seg selv som spesielt evnerike. Det er ingen tid å miste, vi pasienter stiller gjerne med våre data til bruk for de som vil lage slike systemer. Våre data kan anonymiseres slik at naboen som jobber med utviklingen ikke har anelse om at det er dine data som ligger inne i systemet og lærer den kunstige intelligensen hva som fungerer godt og hva som ikke er så lurt å gjøre. Nå trenger vi bare at det er noen som bestemmer seg for å begynne med utviklingen. Penger er ikke et problem i Norge, det er viljen til å finne løsninger som dimensjonerer innsatsen.