Hvordan kunstig intelligens kan revolutionere medicinsk diagnose og behandling

Kunstig intelligens (AI) er hurtigt ved at blive et uundværligt værktøj i moderne medicin. De første anvendelser af AI i lægepraksis blev introduceret med henblik på at understøtte lægernes diagnose- og behandlingsbeslutninger, uden at teknologien skulle erstatte den menneskelige kontakt mellem læge og patient. En af de mest lovende anvendelser af AI er i forbindelse med tidlig diagnostik, især ved sygdomme som COVID-19.

Et interessant eksempel er DeepBreath-algoritmen, som er i stand til at detektere ændringer i lungevæv, selv før de første symptomer på COVID-19 viser sig. Denne teknologi gør det muligt at identificere personer med asymptomatiske infektioner, som ikke nødvendigvis viser tegn på sygdom, men stadig kan være smitsomme. Da op til 80 procent af SARS-CoV-2-infektioner er asymptomatiske, har AI potentiale til at revolutionere måden, vi opdager og behandler virussen på. Ifølge forskeren Hartley vil formålet med værktøjerne være at skabe robuste, pålidelige løsninger, som også vil kunne bruges langt ud over pandemiens afslutning.

AI's rolle stopper dog ikke med COVID-19-diagnoser. Teknologien er også blevet en central del af medicinsk billedbehandling. Under koloskopi, hvor en fleksibel kikkert indføres i tarmen for at opdage sygdomme, såsom kræft eller inflammatoriske tarmsygdomme, kan AI hjælpe læger med at opdage ændringer, der ellers kunne være blevet overset. Ved at analysere billederne i realtid kan AI-systemet fremhæve områder, der kræver nærmere undersøgelse, hvilket øger chancerne for tidlig opdagelse og behandling af alvorlige sygdomme. En sådan teknologi har vist sig at kunne opdage op til 15 procent flere problematiske områder end en læge alene.

Samtidig bliver AI også brugt til at opdage nye antibiotika. Forskere fra Massachusetts Institute of Technology (MIT) har anvendt AI til at udvikle halicin, et antibiotikum, der viser sig at være langt mere effektivt end konventionelle antibiotika, som hurtigt mister deres virkning, når bakterierne udvikler resistens. Halicin har vist sig at være effektiv mod flere bakterier, herunder nogle resistente stammer, der ofte infesterer soldater i Mellemøsten. Dette eksempel på AI's potentiale i lægemiddeludvikling illustrerer, hvordan systemerne kan analysere enorme mængder data for at finde nye løsninger på gamle problemer. AI-modellerne kan desuden modificere eksisterende medicin for at reducere bivirkninger og forbedre effektiviteten, hvilket kunne føre til en ny æra af skræddersyede behandlinger.

Ud over disse direkte medicinske anvendelser har AI også potentiale til at forudse fysiske ændringer i menneskekroppen, især hvad angår aldring. Ved at analysere data fra tusindvis af atleter har forskere udviklet en beregningsmodel, som præcist kan forudsige, hvordan en idrætsudøvers præstationer vil falde over tid. Denne model er et konkret eksempel på, hvordan AI kan anvendes til at forstå biologiske processer og give os bedre forudsætninger for at tage vare på vores sundhed gennem livet.

For læseren er det vigtigt at forstå, at AI ikke kun handler om at automatisere processer. I stedet er det et værktøj, der støtter læger og forskere i deres arbejde ved at give dem adgang til dybdegående analyser og forudsigelser, som ellers ville være umulige at opnå med manuelle metoder. AI kan hurtigt analysere store mængder data og finde mønstre, som mennesker måske ikke ser, hvilket åbner op for nye muligheder i diagnosen og behandlingen af sygdomme.

Selvom disse teknologier endnu ikke er universelt tilgængelige, er de første resultater lovende. Mange af de eksperimentelle behandlinger og værktøjer vil sandsynligvis finde vej til klinisk praksis inden for de kommende år. I mellemtiden vil AI's udvikling kun accelerere, og det vil ikke kun være læger, der drager fordel af denne teknologi. Patienten selv vil kunne få mere præcise diagnoser, hurtigere behandling og behandlinger, der er bedre tilpasset deres individuelle behov.

Hvordan kunstig intelligens ændrer diagnosticering og behandling i sundhedsvæsenet

Denne teknologi, som assisterer læger eller fungerer som et permanent monitoreringsværktøj, er allerede blevet testet i sundhedssystemer og applikationer, som Babylon Health og Ada Health, og har potentiale til at revolutionere diagnosticeringen, især i områder med begrænset adgang til kvalificeret medicinsk personale. Babylon Health appen, som blev co-finansieret af det britiske sundhedssystem, er designet til at reducere omkostninger ved at gøre det muligt for AI at stille diagnoser, der er ti gange mere præcise end en almindelig praktiserende læge. På trods af sin teknologiske overlegenhed har appen dog også mødt kritik, da patienter har fundet måder at manipulere systemet på for hurtigt at få lægebesøg ved at give forkerte symptombeskrivelser.

Ada Health, udviklet af det Berlin-baserede firma Ada Health, tilbyder en symptombeskrivelsesbaseret diagnose, som angiveligt svarer til kvalificerede vestlige læger. Appen er blevet anerkendt af MIT og støttet af Bill & Melinda Gates Foundation, og samarbejder med Sutter Health for at udvide sundhedssystemer i udviklingslande. Dog er der opstået bekymring over appens datapraksis, da den har sendt personlige oplysninger til marketingfirmaer som Amplitude og Adjust, selv for brugere uden Facebook-konti.

I Europa og USA er medicinske enheder og software, der bruger kunstig intelligens, underlagt reguleringer. I Europa kræves en CE-mærkning, mens de i USA skal godkendes af FDA. Der er blevet observeret en hurtig stigning i antallet af godkendelser, med en let overvægt af CE-godkendelser, der kan indikere en mindre streng proces. Det er dog bemærkelsesværdigt, at kun 15 % af disse produkter er rettet mod patienter, mens størstedelen henvender sig til sundhedspersonale. I 2019 var kun 1 % af godkendelserne for de højeste risikoklasser, som dem, der anvendes til at diagnosticere brystkræft.

Der er stadig udfordringer med hensyn til gennemsigtighed i både beskrivelsen og evalueringen af disse enheder. Dette afspejler en etisk udfordring for både regulatorer og producenter. Mange kritiserer, at algoritmerne bag kunstig intelligens ofte fungerer som sorte bokse, hvor brugeren ikke kan forstå de beslutninger, som systemerne træffer. Dette har ført til udviklingen af området "forklarlig kunstig intelligens", der har som mål at gøre algoritmerne mere gennemsigtige og pålidelige, men der er også kritik af, at de foreslåede forklaringer ofte ikke er tilstrækkeligt præcise til at forstå den underliggende proces.

Et af de mest bemærkelsesværdige anvendelsesområder for kunstig intelligens i sundhedsvæsenet er indenfor onkologi. Forskere har allerede anvendt AI til at analysere røntgenbilleder af lungerne og detektere COVID-19-infektioner, samt identificere sort hudkræft mere præcist end mennesker i direkte sammenligninger. Ligeledes er der blevet opnået positive resultater ved brug af kunstig intelligens til at analysere vævsprøver til brystkræft og røntgenbilleder af lungebetændelse. Den kontinuerlige udvikling af AI-teknologi åbner op for endnu flere potentielle anvendelser i både diagnostik og behandling.

Det er også blevet opdaget, at automatiserede systemer, såsom den udviklede forskningsrobot Eve ved University of Cambridge, kan effektivisere opdagelsen af nye lægemidler. Denne robot, som anvender statistiske modeller og maskinlæring, kan generere og teste hypoteser, udføre eksperimenter og fortolke resultater, hvilket gør processen med at finde lovende forbindelser mere effektiv. Et konkret resultat af denne teknologi var opdagelsen af, at triclosan, som også anvendes i tandpasta, kunne bekæmpe malaria ved at påvirke kritiske stadier i sygdommens livscyklus.

Hvordan ændrer computervision den moderne landbrugspraksis?

I generationer har landbruget været afhængigt af manuelt arbejde og erfaring for at vurdere afgrødernes modenhed, identificere sygdomme og optimere høstudbytte. Men den stigende integration af computervision i landbruget har fundamentalt ændret denne praksis. I stedet for daglige, tidskrævende markvandringer for at undersøge tomaternes farve og modenhed, kan algoritmer nu analysere billeddata fra flere dele af frugten og opnå en klassificeringsnøjagtighed på over 99 %. Det, der før krævede menneskelig intuition og fysisk tilstedeværelse, kan nu udføres med en hastighed og præcision, som overstiger menneskelige evner.

Vurdering af jordens kvalitet, som tidligere betød prøvetagning og laboratorieanalyser, kan nu udføres med en håndholdt mikroskop og billedanalyse. Algoritmer trænet på billeder kan estimere sandindhold og mængden af organisk materiale i jorden med resultater på niveau med traditionelle analyser. Det reducerer ikke bare omkostninger og arbejdsbyrde, men åbner også for mere hyppig og lokaliseret overvågning af jordens helbred.

Bekæmpelse og overvågning af insekter er en anden opgave, hvor computervision har vist sig effektiv. Med kameraer og fælder kan AI-systemer som YOLO og støttemaskiner (SVM) identificere og tælle seks forskellige arter af flyvende insekter med op til 92,5 % præcision. Dette giver landmænd mulighed for løbende at overvåge trusler mod afgrøderne og reagere hurtigt og målrettet, uden at skulle gennemgå fysisk opsamling og manuel analyse.

Men landbruget handler ikke kun om planter. Husdyr som køer og kyllinger kræver konstant overvågning, og computervision kan analysere videooptagelser og afgøre, om dyrene spiser, drikker, hviler eller udviser unormal adfærd. Det giver mulighed for tidlig opdagelse af sygdomme eller stress, hvilket igen forbedrer dyrevelfærd og reducerer tab.

Sprøjtning af pesticider og gødning er en anden sektor, hvor AI bidrager markant. Udstyret med computervision kan droner nu identificere præcise målområder og dosere sprøjtemidler med millimeterpræcision. På den måde minimeres spild, og risikoen for forurening af mennesker, dyr og grundvand reduceres drastisk. Udfordringerne ligger i koordineringen af flere droner over store marker, men forskere udvikler systemer, der automatisk optimerer flyvebaner og arbejdsopgaver.

I samme åndedrag har forskere udviklet intelligente sprøjteanlæg, hvor kameraer registrerer ukrudt og kontrollerede servomotorer sprøjter målrettet herbicider kun der, hvor det er nødvendigt. Det næste logiske skridt er autonome robotter, der ikke blot identificerer ukrudt, men fysisk fjerner det. BoniRob er en sådan robot, som med billedgenkendelse og maskinlæring lærer at skelne mellem ønskede planter og ukrudt baseret på bladform, størrelse og farve. Den kan derefter mekanisk destruere ukrudtet med høj præcision og uden at skade afgrøden.

Computervision anvendes også i luftbårne overvågningssystemer. Droner og satellitter indsamler kontinuerligt billeddata, som analyseres af AI for at identificere ændringer i afgrødernes tilstand eller husdyrenes bevægelser. Tidlig advarsel ved uregelmæssigheder betyder, at indgreb kan planlægges hurtigt og effektivt. Denne teknologi bliver et værktøj, ikke bare til kontrol, men til strategisk beslutningstagning.

Efter høsten stopper teknologien ikke. Computervision bruges også i sorteringsprocessen, hvor den kan vurdere frugter og grøntsagers form, størrelse, farve og volumen. Det, der tidligere krævede trænede menneskelige hænder og øjne, udføres nu med større nøjagtighed og hastighed. Sortering af gulerødder, som traditionelt har været en manuel og langsom opgave, kan nu automatiseres og optimeres til et niveau, som reducerer spild og øger indtjeningen.

Det er