M4-health: grunden för generell AI i sjukvården

Svart bakgrund. Flera olika
M4Health. lev dolgachov

I det VR-finansierade projektet ”M4-health: grunden för generell AI i sjukvården”, lägger vi grunden för en mer generell och flexibel typ av AI i sjukvården. Detta centreras kring skapandet av digitala tvillingar, vilket är fysiologiskt baserade datormodeller för patienter. Vi vill alltså använda modeller för hälsa, vilket har gett projektet sitt namn, M4-health, vilket är kort för ”models for health”. M4-health är också en förkortning för vilken typ av modeller vi utvecklar: mekanistiska, multi-nivå-, multi-tidsskal-, och multi-speciesmodeller.

Det här projektet bidrar till fältet artificiell intelligens (AI) i sjukvården. Det AI kan bidra med är att ge bättre råd och insikter, så att man ställer mer korrekta diagnoser, hittar den bästa behandlingen, och får en bättre grundval för att fatta sunda medicinska beslut. En av potentialerna är att AI kan göra detta istället för läkare, vilket minskar vårdkostnader och kan göra vården mer allmänt tillgänglig. En av anledningarna till den stora potentialen i detta fält är den stora explosionen av data, vilket gör att det inte längre går att bara titta på data och dra slutsatser som man tidigare gjort. En annan anledning är att nya metoder för AI har utvecklats, som kallas djupinlärning. De senaste åren har det kommit flera viktiga exempel på hur djupinlärning kan användas. Till exempel kan de automatiskt ställa diagnos om arten av en misstänkt tumör från hud-bilder, med samma tillförlitlighet som en hudläkare.

Alla sådana exempel som finns ännu så länge är dock av denna specialiserade typ. Med andra ord, de tar en viss typ av indata (t ex en bild), och kan förutsäga viss typ av utdata (t ex om det finns en tumör i bilden), och inget annat. Detta är på grund av begränsningen med de AI-metoder som ännu så länge har använts: som ligger inom så kallad snäv AI. Begränsningen med sådana metoder är att de kräver stora mängder träningsdata, och att de inte kan gå bortom det de tränats för. Av den anledningen kommer de flesta data som finns tillgängliga för en sjukdom aldrig att användas av AI-systemet.

Vidare, traditionell AI kommer bara ge specifika riskfaktorer och identifieringar, och inte ge en allmän helhetsbild för kroppen, som kan användas för allt möjligt. Sådan snäv AI bygger inte upp en förståelse för kroppen.

En ny typ av AI i vården

I det här projektet lägger vi grunden för en ny typ av AI i sjukvården: en som istället bygger upp en sådan helhetsförståelse. Grunden för denna förståelse är något som heter mekanistiska modeller. Sådana modeller beskriver de fysiologiska processer som händer i kroppen, och använder data för att finna stöd för att acceptera eller förkasta hypoteser om hur dessa processer ser ut. Denna typ av modeller kräver inte lika stora datamängder, eftersom de inte behöver lära sig allt direkt från data.

Gunnar Cedersund har de senaste 20 åren visat detta många gånger i samarbete med ett stort antal experimentella och kliniska forskargrupper över hela världen. Tillsammans har vi dragit sådana fysiologiska insikter för många av kroppens organ. I det här projektet kommer vi att använda dessa olika separata projekt som bas, och ta ett kvantsteg upp mot en nivå ingen har varit på förut: en där alla dessa modeller sitter ihop, och kan användas för AI.

Projektet består av tre steg:

  1. Sätt ihop alla tidigare modeller för de olika organen i en stor modell, för kroppen som helhet. Detta görs genom att koppla ihop organmodellerna med en existerande modell för blodflödet i alla kärl i kroppen. Sammankopplingen använder en egen metod som vi utvecklat.
  2. Skapa personspecifika versioner av dessa modeller, genom att träna och testa dem på unika data vi har tillgång till, vilket bland annat inkluderar 10 stora kliniska studier. I detta steg kommer vi också koppla ihop de mekanistiska modellerna med både statistiska AI-system, samt med AI-system som bygger på hur hjärnan faktiskt ser ut. Detta sista görs på två sätt, dels genom att inkludera hjärnan som ett organ i kroppen, och dels genom att skapa så kallade hybridmodeller. Dessa hybridmodeller kan både simulera scenarier för vad som skulle hända för en viss patient vid olika behandlingar, samt räkna ut hur risken för t ex hjärt- och kärlsjukdomar skulle ändras.
  3. 3) Testa användbarheten av modellerna i 4 olika patientgrupper i 3 olika länder.

Potentialen med det här projektet är stor: att skapa grunden för en ny typ av sjukvård, en där AI inte bara gör någon enstaka uppgift, utan bidrar till att skapa en användbar helhetsbild för hur varje patients kropp mår och ser ut. Denna helhetsbild kommer vara något som alla forskare kan bidra till att uppdatera, och något som både patienter, läkare och läkemedelsföretag kommer ha användning och stor glädje av.

Finansiär:

VR-NT

Kontakt

Forskargrupp

Organisation