16 april 2024

Känslig data som exempelvis patientbilder på hjärntumörer får inte delas hur som helst. Det gör utveckling av maskininlärningsmodeller för medicinsk bildanalys problematisk. Med ny teknik visar LiU-forskare hur sådana modeller kan tränas utan att dela känslig information utanför sjukhusen.

Infografik som med illustrationer visar hur lokala uppdateringar från sjukhusen skickas till ett moln som skickar ny global modell till sjukhus. Den tränade modellen ger personlig sjukvård till patienten.
Infografik som visar hur AI-modeller tränas med federerad inlärning. På sjukhusen tränas modellen lokalt. I realtid kombinerar forskare de lokalt tränade modellerna till en gemensam så kallad global modell. Metoden gör att medicinska datan varje modell är tränad på inte delas utanför sjukhuset. Bilden är skapad av Sara Läthén.

Att utveckla AI för tillämpningar inom vården, exempelvis inom medicinsk bildanalys, kan spara tid i sjukvården. Men det finns flera utmaningar. Datadriven AI, det vill säga storskaliga maskininlärningsmodeller, behöver en stor mängd medicinsk data att träna på. För att exempelvis träna modeller att automatiskt analysera magnetkamerabilder på hjärntumörpatienter, behövs väldigt många sådana bilder. Men att dela medicinska bilder kompliceras av etik, anonymisering och dataskyddslagstiftning.

Att kombinera medicinsk information från flera sjukhus ger större mängd medicinska data. Genom att varje sjukhus var för sig tränar en AI-modell lokalt behöver inte den känsliga informationen skickas utanför sjukhuset. I ett europeiskt forskningsprojekt kombinerar forskare i realtid lokalt tränade modeller till en gemensam så kallad global modell på en server i en annan stad. På så sätt behöver de inte skicka den medicinska data varje lokal modell är tränad på. Tekniken kallas federerad inlärning. Forskarna har nu genomfört federerad inlärning mellan Linköpings universitet och Strålbehandlingen vid Skånes universitetssjukhus i Lund.

Porträtt på forskare
Anders Eklund, biträdande professor vid Institutionen för medicinsk teknik (IMT) och Institutionen för datavetenskap (IDA) driver tillsammans med biträdande professor Evren Özarslan vid IMT en del av det europeiska samarbetsprojektet ASSIST. Forskarna utvecklar bland annat teknik för att kunna träna modeller med känslig information som inte får delas. 

Först i Sverige

– Vi tror att vi är bland de första i Sverige med att göra federerad inlärning med medicinska bilder. Vi kommer snart att lägga till flera städer, närmast på tur är Umeå, säger Anders Eklund, biträdande professor vid Institutionen för medicinsk teknik (IMT) och Institutionen för datavetenskap (IDA). 

Superdatorn Berzelius.
Till simuleringarna med det öppna datasetet BraTS har projektet haft stor hjälp av superdatorn Berzelius på Nationellt superdatorcentrum (NSC) vid Linköpings universitet, en av världens snabbaste datorer. Fotograf: Thor Balkhed

En utmaning kvar att lösa är att bilderna kan skilja sig mellan sjukhusen på grund av olika utrustning och kameror. Sjukhusen kan också ha olika kliniska riktlinjer för hur onkologer, det vill säga cancerläkare, ska rita tumörer och hantera kringliggande organ, så kallade riskorgan. Anders Eklund är förhoppningsfull att de kommer ta fram en lösning som kompenserar för det. I projektet har de därför gjort simuleringar där de använt sig av ett öppet dataset, det vill säga en öppen samling av data som kallas BraTS. BraTS innefattar bilder och utritade tumörer för hjärntumörpatienter från mer än tjugo olika sjukhus, och har skapats just för att utveckla liknande modeller.

– Om exempelvis ett sjukhus skulle ha tio eller tjugo procent mindre storlek på tumören i sina bilder som påverkar federationen negativt, så kan vi förhoppningsvis utveckla metoder så att det fungerar ändå.

Fler tillämpningsområden

Projektet involverar även företag och universitet i Nederländerna, Belgien och Turkiet. I Nederländerna utvecklar forskarna exempelvis liknande modeller för leverbilder.

– Med leverbilderna används samma teknik men med annorlunda tillämpning. Det är vitsen, att lära av varandra och använda samma teknik på olika sätt.

Anders Eklund nämner också att andra möjliga tillämpningsområden med federerad inlärningsteknik skulle kunna vara genetik eller text i medicinska journaler, det vill säga språkmodeller i vården. Företag som har väldigt mycket data i olika städer och som inte vill lägga allt på samma ställe skulle också kunna använda sig av tekniken. Likaså företag som vill vara med i forskningsprojekt och som inte vill skicka sina data.

– Tekniken kan användas till all typ av information som är känslig på olika sätt. Användningen kommer mer och mer, annars skulle företagen inte vara med och satsa på projektet.

Om projektet

ASSIST

Det europeiska forskningsprojektet heter ASSIST och finansieras av Vinnova och AIDA (Analytic Imaging Diagnostics Arena). Det är också ett samarbete med flera företag. I Sverige ingår företagen Scaleout Systems, Inovia AI, RaySearch Laboratories, Spectronic Medical och Eigenvision.

I projektet samarbetar även Linköpings universitet med Region Östergötland som har exporterat bilder från Onkologiska klinikens strålbehandlingsavdelning. Det samarbetet underlättas av CMIV, Centrum för medicinsk bildvetenskap och visualisering, där bland annat läkare och ingenjörer forskar tvärvetenskapligt.

Läs mer på projektets webbsida

Kontakt och mer information

Mer om artificiell intelligens vid LiU

Forskningsverksamhet

Senaste nytt från LiU

Forskning om tonårspojkar och sociala medier får bidrag

Vilka influencers följs av tonårspojkar och vad möts de av för budskap om psykisk ohälsa? Det ska undersökas i ett av de forskningsprojekt vid LiU som fått bidrag från Forte.

Flicka läser bok.

"Det är nördigt att läsa"

Intresset för att läsa minskar bland svenska ungdomar, vilket skapar utmaningar för litteraturundervisningen i skolan, särskilt när det gäller motivationen. Samtidigt finns en stor medvetenhet hos lärarna om hur viktigt det är att väcka läslust.

Kinga Barrafrem.

Ny forskning om hur sociala medier påverkar din privatekonomi

LiU-forskare leder ett nytt projekt för att undersöka hur vår identitet påverkar de ekonomiska beslut vi tar – särskilt när sociala medier spelar en allt större roll för finansiell information.