@misc{15326,
  author = {Pia Smedsrud and Michael Riegler and Thomas de Lange and Andreas Petlund and Sigrun Eskeland and P{\r a}l Halvorsen},
  title = {Kunstig intelligens for endoskopi {\textendash} Automatisk deteksjon av lesjoner i sanntid},
  abstract = {BAKGRUNN: I krysningspunktet mellom matematikk, informatikk og statistikk finner vi den vitenskapelige disiplinen kunstig intelligens (KI). Sammen med de siste {\r a}rs eksplosive utvikling innen teknologi har KI muliggjort nye algoritmer, modeller og systemer for maskinassistert diagnostikk. Resultater fra KI basert p{\r a} dype nevrale nettverk har vist spesielt stort potensiale, ogs{\r a} for automatisk deteksjon av lesjoner og anatomiske landemerker i gastrointestinaltraktus under endoskopi. Med sensitivitet og spesifisitet for deteksjon av polypper i tykktarmp{\r a} over 90\% m{\o}ter slike metoder n{\o}dvendige kliniske krav, men mange eksperimenter er utf{\o}rt p{\r a} begrensede datasett, eller analysert p{\r a} feilaktig grunnlag grunnet manglende tilgang og forst{\r a}else hos informatikere. For {\r a} oppn{\r a} best mulig resultat eret interdisiplin{\ae}rt samarbeid mellom klinikere og informatikereen forutsetning. Informatikerne trenger medisinske innspill for {\r a} lage effektive systemer som fungerer ute i klinikken, og klinikerne trenger forst{\r a}else av systemet for {\r a} kunne stole p{\r a} resultatet og stille p{\r a}litelige diagnoser. En stor utfordring for denne tilliten erat fremgangsm{\r a}ten til en KI-algoritme sees p{\r a} som en svart boks hvor ingen n{\o}yaktig kan dechiffrere hvordan systemet kom fremtil sin konklusjon.METODE: Vi har gjennom mange {\r a}r samlet en stor bilde- database fra endoskopier utf{\o}rt ved B{\ae}rum Sykehus, Vestre Viken HF. Bildene er gjennomg{\r a}tt og annotert av tre erfarne endoskop{\o}rer og fordelt p{\r a} 16 klasser, inkludert normal Z-linje, {\o}sofagitt, normal c{\o}kum, polypper og ulcer{\o}s colitt. Deretter er bildene brukt til {\r a} utvikle, trene og teste KI-modeller. Modellene er basert p{\r a} maskinl{\ae}ring og dyp l{\ae}ring, en gren innen KI. Med v{\r a}rt system Mimir, som kombinerer KI med informasjonss{\o}k og-gjenfinning, s{\o}ker vi {\r a} lage et helhetlig beslutningsst{\o}ttesystem for endoskop{\o}rer. Algoritmene analyserer videoer i sanntid, finner lesjoner, klassifiserer disse og gir skop{\o}ren live feedback om funn under unders{\o}kelsen, slik at funnene kan unders{\o}kes n{\ae}rmere. Mimir presenterer deretter resultatene i egen programvare, og bruker blant annet {\textquotedblleft}heatmaps{\textquotedblright} til {\r a} forklare hvordan konklusjonen er n{\r a}dd, og er p{\r a} den m{\r a}ten et bidrag p{\r a} veien til {\r a} forst{\r a} hvordan KI-algoritmene fungerer. Videre jobber vi med {\r a} videreutvikle Mimirs st{\o}tte for automatisk rapportgenerering, med bilderog standardtekst basert p{\r a} funn fra unders{\o}kelsen.RESULTATER: Deteksjon og klassifisering for de 16 gruppene har vist en sensitivitet p{\r a} 0,939 og en spesifisitet p{\r a} 0,996. Algoritmene v{\r a}re klarer {\r a} prosessere bildene i hastigheter p{\r a} mellom 30 - 1000 bilder per sekund, raskt nok til {\r a} kj{\o}re deteksjon i sanntid. En prototype av systemet er i samr{\r a}d med klinikere testet ved {\r a} koble til et koloskopisystem ute i klinikken, og kann{\r a} analysere videoer i sanntid.KONKLUSJON: Tester av v{\r a}re system viser at KI kan bli et viktig hjelpemiddel for {\r a} bedre oppdage GI-forandringer, og generere automatiske rapporter i l{\o}pet av n{\ae}rmeste fremtid. Dette kan fungere som viktig beslutningsst{\o}tte for endoskop{\o}rer, og kan brukes i oppl{\ae}ring av nye endoskop{\o}rer. Den st{\o}rste begrensningen med KI er at vi per i dag ikke vet hvordan systemet kommer frem til sin konklusjon, som kan p{\r a}virke i hvor stor grad vi stoler p{\r a} resultatet. Vi arbeider derfor med et helhetlig system som ikke bare hjelper legen med diagnostikk, men ogs{\r a} forklarer hvordan konklusjonen er n{\r a}dd, samt {\r a} generere automatiske rapporter fra unders{\o}kelsen.},
  year = {2019},
  publisher = {Norsk Gastroenterologisk Forening},
  address = {NGF Nytt, Vol. 26, No 1, March 2019, p. 34},
}