Bakgrunn
Omtrent 10 % av pasienter med traumatisk hodeskade har en hjerneblødning, som krever sykehusinnleggelse med omfattende radiologi, og behandling fra akuttmedisinske, nevrologiske og nevrokirurgiske ressurser.
Datatomografi (CT) er den radiologiske gullstandard for å diagnostisere akutt hjerneblødning, og Legevakten i Oslo utfører over 30 CT-undersøkelser i døgnet med hjerneblødning som tentativ diagnose. Til tross for at et stort antall av disse undersøkelsene er negative (uten radiologiske funn), legger denne akuttutredningen beslag på betydelige radiologiske ressurser. Bruk av KI har vist seg svært lovende for automatisk deteksjon av hjerneblødninger i CT-bilder, og en slik KI vil kunne avlaste radiologene betydelig, ved å automatisk identifisere negative undersøkelser, slik at vakthavende radiolog kan prioritere undersøkelser som krever øyeblikkelig oppfølging.
I enheten for Kunstig Intelligens og Beregningsorientert Radiologi (Computational Radiology & Artificial Intelligence; CRAI) ved Rikshospitalet har vi utviklet KI-metoder for automatisk deteksjon av hjerneblødninger fra CT-bilder. Modellen, kalt viola-Unet har vist svært lovende resultater i preliminære analyser (1), og vi ønsker nå å teste metoden prospektivt i pasienter henvist til CT med mistanke om hjerneblødning. Prospektiv uttesting krever at KI-algoritmen kan integreres i den radiologiske arbeidsflyten, samt at det brukes robuste metoder for å evaluere den diagnostiske nøyaktigheten og nytteverdien av metoden. CRAI, i samarbeid med radiologer ved Oslo Universitetssykehus (OUS) jobber i denne forbindelse med å etablere teknologi for integrasjon av KI-løsninger mot OUS sitt radiologiske informasjons-system (PACS), samt utvikling av et analyseverktøy (MedSeg.ai) som gjør det enkelt for sluttbruker å visuelt evaluere, og om nødvendig justere resultatene fra KI-baserte analyser.
https://arxiv.org/abs/2208.06313
Problemstilling
Prospektiv testing av KI-modeller for radiologi krever tett integrasjon mot sykehusets radiologiske infrastruktur, samt gode verktøy for å evaluere kvaliteten av KI-analysen. Det bør også være mulig - på en enkel måte - å kunne redigere/justere forslaget fra KI-algoritmen, for eksempel hvis modellen overser deler av en blødning (falsk negativ) eller identifiserer normale områder som patologi (falsk positiv). Disse metodene er under utvikling i CRAI og testing/videreutvikling av disse verktøyene blir gjort fortløpende basert på tilbakemeldingene fra dette prosjektet.
Utover de tekniske kravene vil det være behov for å etablere relevante tester for om KI-løsninger tilfører reell nytteverdi langs flere akser:
- Har KI-modellen adekvat diagnostisk nøyaktighet for automatisk deteksjon av intrakranielle blødninger i prospektive data?
- Det vil være særlig viktig at KI-metoden har høy negativ prediktiv verdi (NPV). Høy NPV vil ofte føre til flere falske positive funn, og avveiningen mellom disse to effekt-parameterne må nøye evalueres opp mot kliniske behov.
- Hvordan kan vi best måle nytteverdien av en KI-løsning – både med tanke på diagnostisk nøyaktighet – men også med tanke på hva slags innvirkning den kan ha på den radiologiske driften?
Mål og metode
Hovedmål med dette prosjektet er å evaluere nytteverdien av en KI-basert metode for automatisk deteksjon av hjerneblødninger i pasienter henvist til CT på Legevakten i Oslo. Dette vil bli adressert gjennom følgende delmål:
- Etablere KI-analyse av intrakranielle blødninger som en integrert tjeneste i OUS sin radiologiske arbeidsflyt (i tett samarbeid med CRAI sitt teknologi-team).
- Produksjonsette en KI-modell med tilstrekkelig diagnostisk nøyaktighet ut ifra kriterier definert i samarbeid med radiologisk avdeling.
- Vise kost-nytte-effekt av å bruke KI-basert blødnings-deteksjon som et supplement eller erstatning for dagens radiologiske praksis.
Studentens arbeidsoppgaver
Studenten vil samarbeide tett med det nevroradiologiske miljøet på Ullevål/Legevakten, samt med teknologi-miljøet på CRAI. Primære arbeidsoppgaver vil være:
Ha ansvar for å identifisere relevante pasienter, og utføre KI-analysen.
Etablere en database over analyse-resultater fra KI over en 9-månedersperiode (estimert ca. 1000 CT-undersøkelser) og utføre effektanalyser basert på disse dataene ved bruk av enkle standardtester for diagnostisk nøyaktighet som f.eks. ROC-AUC, PPV, NPV.
Registrere radiologisk tidsbruk ved eksisterende radiologiske utredning av hjerneblødninger, og estimere mulig gevinst i form ved introduksjon av KI-basert beslutnings-støtte.
Om forskningsmiljøet
Studenten vil inngå i et aktivt forsknings-miljø i CRAI sine lokaler på Gaustad sykehus (se crai.no). CRAI består av et multiprofesjonelt team av informatikere, fysikere, radiologer og klinikere. Det er for tiden fem PhD-studenter og tre postdoktorer tilknyttet CRAI, i tillegg til en fast stab av seniorforskere og programvareutviklere (se https://www.ous-research.no/bjornerud/ for detaljer). CRAI ble opprettet i 2019 som en respons på den raske utviklingen av KI-teknologi innen radiologi, kombinert med en mangel på radiologer og en stadig voksende mengde data som krever radiologisk vurdering.
Kontakt
Professor Atle Bjørnerud, UiO/OUS
Andre veiledere: Dr. Inge Groote, dr. Brad Macintosh, dr. Karoline Skogen – alle CRAI.