Artificiell intelligens hjälper oss identifiera frakturer, bentumörer och nekroser från röntgenbilder
Nyckelord:Algoritmerna för djupinlärning är snabbt på väg att inta en central roll i klassificering som rör medicinsk bildkategorisering och diagnostik. Tre artiklar från HUS handkirurgi som publicerats i internationellt referentgranskade tidningar lyfter fram möjligheterna med artificiell intelligens då det gäller att förbättra patientvården.
Handkirurg Turkka Anttila och överläkare inom handkirurgi, Jorma Ryhänen bedriver forskning om användningen av algoritmer för djupinlärning inom handkirurgi.
Enligt nya studier kan algoritmer för djupinlärning utnyttjas för att känna igen handledsfrakturer på basis av röntgenbilder av handen. Man kan också känna igen godartade tumörer och nekroser i handledsbenet. Genom korrekt och så tidig diagnosticering som möjligt kan man undvika olägenheter för patienten. Artificiell intelligens kan fungera väl som stöd speciellt på jouren samt för läkare som inte är rutinerade vad gäller tolkning av röntgenbilder av handen och handleden.
Artificiell intelligens känner igen frakturer med stor exakthet
Strålbensfrakturer vid handleden utgör 20 procent av alla frakturer på olycksfallsjouren. Diagnos och behandling av frakturerna grundar sig på klinisk forskning och tolkning av röntgenbilder. Felaktig tolkning av röntgenbilder är vanligt och kan leda till utredningar i efterhand. Artificiell intelligens kan ge värdefull hjälp i jourarbetet och minska antalet feldiagnoser. HUS överläkare i handkirurgi Jorma Ryhänen har tillsammans med sin forskningsgrupp byggt en AI-modell som känner igen dessa frakturer. Efter att den artificiella intelligensen hade blivit upplärd kunde den identifiera 97 procent av frakturerna rätt.
”Identifieringen av splittrade frakturer som bryter ner leden och beslut om fortsatt behandling kan vara mycket utmanande och på grund av detta kan vården fördröjas eller i värsta fall förbenas frakturen i fel ställning. Den nu utvecklade AI-modellen kan på ett utmärkt sätt identifiera sådana här frakturer. I fortsättningen kan den omedelbart ge en rekommendation om behandlingspraxis för antingen gipsbehandling eller operation”, säger Ryhänen.
Jouren får stöd för rätt tolkning av röntgenbilder
Enkondrom är en vanlig godartad brosktumör inne i benet som ofta förekommer i handen. Den kan orsaka symtom som svullnad och smärta samt exponera patienten för benbrott. Enkondrom syns på röntgenbilden men om det finns en fraktur i handen kan det vara svårt att konstatera tumören och den kan förbli oupptäckt. Sådana här fel är möjliga på jouren och skapar besvär för patienterna.
En grupp handkirurger byggde under ledning av Ryhänen en AI-modell som kunde identifiera 56 enkondrom av de 62 fallen i testgruppen. Den artificiella intelligensen skulle alltså väl kunna fungera som hjälpmedel i jouren speciellt för de läkare som inte hela tiden har att göra med handproblem och röntgenbilder.
”Identifiering av enkondrom är ett intressant första steg mot en automatiserad diagnostik av bentumörer i handområdet och visar att också med en begränsad mängd bilder är det möjligt att skapa fungerande diagnostiska hjälpmedel”, säger handkirurg Turkka Anttila som deltagit i forskningsgruppen.
Artificiell intelligens kan se skarpare än människoögat
AI-modellen användes också i en studie där man försökte förbättra diagnostiken av bennekros i handledens månben. Det är frågan om en sällsynt sjukdom som i första hand drabbar män i 20–40 års åldern. Det är inte möjligt att från röntgenbilder upptäcka en begynnande nekros med människoögat, vilket kan leda till fördröjd upptäckt. Då diagnosen fördröjs och nekrosen avancerar begränsas behandlingsalternativen och ofta försvagas funktionen i patientens hand trots åtgärder.
AI-modellen som utvecklats av Ryhänen och hans arbetsgrupp kunde i 28 fall av 30 identifiera nekroser från röntgenbilderna. Doktorand Krista Wernér lade märke till att AI-modellen som utvecklats identifierade förändringar på röntgenbilder till och med bättre än en referensgrupp bestående av erfarna experter. Många allmänläkare känner inte till den här sjukdomen och kan därför inte misstänka den. I fortsättningen kan AI-modellen hjälpa till med att identifiera en begynnande nekros från en röntgenbild och öka allmänläkarnas kännedom och på så sätt i framtiden lösa båda problemen.
Algoritmer för djupinlärning håller snabbt på att bli centrala hjälpmedel i den medicinska bilddiagnostiken. De har potential att ändra den medicinska klassificeringen av bilder och diagnostiken under det kommande årtiondet.
”Det är klart att algoritmer för djupinlärning under den närmaste framtiden på ett betydande sätt kommer att förändra diagnostiken för och behandlingen av patienter också i kirurgens vardag. Artificiell intelligens kan outtröttligt och kostnadseffektivt screena stora bildmassor, plocka ut de avvikande fynden, riskfaktorerna, komplikationerna och sedan försnabba och förbättra behandlingsresultaten. För att vi ska få pålitliga och generaliserade algoritmer, behövs högklassigt, tvärvetenskapligt kunnande och forskning för att utveckla och validera modellerna. Forskningsgruppen har flera potenta idéer under fortsatt utveckling”, berättar Ryhänen.
Källor:
Detecting Distal Radius Fractures Using a Segmentation-Based Deep Learning Model - PubMed (nih.gov)