The Creative Nexus

AI: Utfordringer og muligheter når data er begrenset

Hva kan en modell lære når bare noen få mennesker har den samme diagnosen? Sjeldne sykdommer viser hvor avgjørende både datagrunnlaget og fagkunnskapen er for medisinsk KI.

Les engelsk utgave

For at AI-modeller skal fungere optimalt, har vi lært at de er avhengige av tilgang til store mengder data. Dette fører oss til et sentralt spørsmål: Hvordan påvirkes utviklingen AI-verktøy når tilgjengelige data er begrenset? I denne utgaven av nyhetsbrevet "The Creative Nexus" undersøker jeg dette gjennom linsen til det feltet jeg selv jobber, nemlig sjeldenfeltet.

To personer sitter ved et bord med datamaskiner og notater.
Big data, small data, by Kari Andresen and Midjourney

Sjeldne diagnoser omfatter mange medfødte og arvelige tilstander. På verdensbasis finnes det i dag mellom 6000 og 8000 sjeldne diagnoser som fordeler seg over en rekke medisinske disipliner. Hver enkelt diagnose er sjelden, men fordi det finnes så mange av dem, så er sjeldne diagnoser samlet sett likevel vanlig.

AIs inntog i helsesektoren

Vi står nå ved et veiskille der stadig flere ser at AI kan endre måten helsevesenet nærmer seg diagnose og behandling. AI er på god vei til å bli et kraftig verktøy i moderne medisin og har stort potensial til å forbedre både diagnostikk og behandling gjennom dataanalyse og mønsteridentifikasjon.

AI-baserte verktøy endrer nå medisinsk praksis på en rekke områder. I radiologi har AI bidratt til å forbedre bildeanalysen, noe som gjør det mulig for leger å identifisere og diagnostisere tilstander med større presisjon og hastighet. Innen patologi har teknologien effektivisert prosessen med å identifisere kreftceller, noe som kan gi raskere og mer presise diagnoser og dermed også mer treffsikker behandling.

AI blir nå også tatt i bruk brukt innen psykisk helse. For eksempel blir AI-verktøy benyttet til å analysere pasienters verbale og ikke-verbale kommunikasjon for å registrere tidlige tegn på psykiske lidelser, som depresjon eller angst.

Chatbots gir på sin side verdifull informasjon til pasienter og helsepersonell og på administrasjonssiden har automatisering bidratt til å strømlinjeforme rutineoppgaver, blant annet knyttet til pasientjournaler.

Samme utfordringer på andre felt

I lys av optimismen rundt bruk av kunstig intelligens for å forbedre medisinsk behandling, oppstår det også spørsmål ved hvorvidt denne teknologien også kan anvendes på sjeldne diagnoser. Tvilen er åpenbart tilstede blant både fagfolk og pasienter. For effektiv bruk av AI krever normalt tilgang til omfattende data, noe som av naturlige årsaker er en mangelvare når det gjelder sjeldne diagnoser.

Men slike utfordringer er ikke unike for sjeldenfeltet. I mange fag, fra astronomi til arkeologi, møter forskere tilsvarende problemer. Også ved studier av sjeldne kosmiske fenomener eller arkeologiske analyser basert på små funn, er datagrunnlaget svært begrenset. Dette gjelder også innen kunstrestaurering, forskning på truede arter og lingvistiske studier av sjeldne eller utdøende språk, hvor man ofte må forholde seg til små, spesialiserte datasett.

Slik sett kan perspektiver og løsninger fra flere felt sett i sammenheng også være relevante og informative når man vurderer veien fremover for AI-teknologi.

Kunnskapsmangel og begrensede ressurser

En diagnose regnes som sjelden hvis færre enn 1 av 2000 har den. I verden i dag lever mer enn 300 millioner med sjeldne diagnoser. I Norge regner man med at tallet er mellom 2-300 000.

Les mer om sjeldne diagnosers utbredelse.

Sjeldne diagnoser medfører en rekke utfordringer knyttet til kunnskap og ekspertise. Ofte finnes det lite informasjon, både for pasienter og helsepersonell. Begrenset kunnskap fører igjen til diagnostiske forsinkelser.

Beretninger om langstrakte og frustrerende prosedyrer for å oppnå en korrekt diagnose er ikke uvanlige. Selv med en påviselig diagnose, støter mange pasienter på en mangel på spesialisert kunnskap, noe som potensielt kan hindre tilgangen til nødvendig behandling og adekvat oppfølging.

Forskning allerede godt i gang

Det er flere tilnærminger til problemet med små datasett. En mulig løsning er å benytte såkalt "few-shot learning" eller "one-shot learning", hvor AI kan lære fra få data. Man kan også utvide datasett med datagenerering og augmentering. I tillegg kan eksisterende AI-teknologi også hjelpe med å organisere den spredte informasjonen som finnes.

Forskningsartikkelen The Impact of Artificial Intelligence in the Odyssey of Rare Diseases fra 2023 gir en oversikt over nåværende forskning på hvordan AI brukes innen feltet for sjeldne sykdommer. Den diskuterer både utfordringene med små og fragmenterte datasett, og mulige løsninger som involverer maskinlæring (ML), dyp læring (DL), og relaterte teknikker.

AI-teknologi er i følge artikkelen under utvikling for flere sjeldne diagnoser, inkludert Duchenne muskeldystrofi, en genetisk lidelse som fører til progressiv muskelsvinn, Fanconi anemi, en sjelden genetisk feil som resulterer i benmargsvikt og Huntingtons sykdom (HD), en arvelig sykdom som gradvis bryter ned hjernens nerveceller, påvirker kognisjon, atferd og fysisk funksjon.

Du kan lese mer om disse og andre sjeldne diagnoser på Sjelden.no

Ved Mahmood Lab at the Brigham and Women’s Hospital har forskere utviklet et type verktøy som kan hjelpe leger med å diagnostisere sjeldne sykdommer raskere og mer nøyaktig. Dette verktøyet, kalt SISH (selvstyrt bildesøk for histologi), fungerer som en søkemotor som kan scanne gjennom enorme mengder medisinske bilder fra tidligere pasientcaser og lære av prosessen. På den måten kan den intelligente søkemotoren kan hjelpe leger med å finne svar på nye tilfeller.

Slike verktøy vil ikke bare gjøre det enklere å identifisere sykdommer, men også vil bidra til å slå sammen informasjon fra forskjellige medisinske områder for å gi et enda mer fullstendig bilde av pasientenes helse.

Forskere fra Stanford Institute for Human-Centered AI har på sin side vist at det er mulig å lære maskiner å identifisere sjeldne sykdommer med lite data gjennom utvikling av et verktøy kalt POPDX.

Kjernen i fremskrittet er POPDx sin evne til å bruke tidligere kunnskap, tekst og sykdomskatalogen Human Disease Ontology, for å utføre informerte antakelser basert på den informasjonen den har tilgjengelig.

Videre har verktøyet også evne til å trekke på et bredt spekter av informasjon, inkludert medisinsk historie, demografisk informasjon som alder og kjønn, resultatene av fysiske undersøkelser, laboratorietester og svar på spørreskjemaer.

All denne fragmenterte kunnskapen sammenlagt gjør at POPDx kan danne seg et helhetlig bilde av en pasients helse, noe også øker sjansene for riktig identifisering av sjeldne sykdommer.

Forskerne ser for seg at POPDx hvert skal brukes til å følge pasienters helse over tid og på den måten lære seg å forutsi når i livet det er mest sannsynlig at man utvikle visse sykdommer. Dette kan åpne for mer målrettede helseintervensjoner, hvor behandling kan starte tidligere og være mer tilpasset den enkelte.

Akkurat nå er det merkbar optimisme knyttet til idéen om et teknologi-drevet helsevesen. Hvordan denne optimismen vil materialisere seg for sjeldenfeltet gjenstår å se. De teknologiske mulighetene eksisterer og mye forskning- og utviklingsaktivitet er i gang. Men selv om det skulle finnes tilstrekkelig data til å utvikle effektive AI-verktøy, gjenstår det en omfattende oppgave med å gjøre den tilgjengelig for dem som trenger dem. Dette er et ansvar som strekker seg langt ut over handlingsrommet til den enkelte helseinstitusjon, forskningsgruppe eller teknologiselskap, og vil kreve innsats og vilje på et lang mer overordnet samfunnsmessig nivå.

Bruk av AI

Dette nyhetsbrevet er laget med assistanse fra OpenAI's tekstgenerator, ChatGPT, og er nøye redigert og kvalitetssikret av meg, forfatteren, for å sikre nøyaktighet og relevans. Visualiseringene er laget i AI-verktøyet Midjourney, basert på mine bestillinger og valg. Selv om AI-verktøy har vært til stor hjelp, er det min menneskelige dømmekraft og faglige innsikt som styrer det endelige innholdet.

Mulige interessekonflikter: Artikkelforfatteren er ansatt som spesialrådgiver ved Nasjonalt senter for sjeldne diagnoser.

Les originalen på LinkedIn ↗