Disruption af det radiologiske speciale

Hvis Danmark i fremtiden skal være førende inden for radiologien, er det vigtigt, at radiologer er parate til at favne de revolutionerende muligheder, som nye teknologier fører med sig.

Computeres evne til at bearbejde store datamængder udfordrer sundhedsvæsenet til enten at udvikle sig sammen med teknologien eller blive efterladt af den. Underholdningsbranchen har allerede oplevet, hvordan diverse streamingtjenester har disrupted musik- og filmindustrien, lige såvel som hotel- og taxabranchen netop nu oplever store ændringer pga. tjenester som Airbnb og Uber. På samme måde er det danske sundhedsvæsen lige nu i den initiale fase af en egentlig branchetransformation. En af de teknologier, som kommer til at spille en stor rolle, er maskinlæring (ML), som er en form for kunstig intelligens. ML giver computeren evne til at lære uden at blive programmeret ud fra eksplicitte regler, og computeren lærer således i stedet fra sammenhænge i store mænger af data. ML er alle steder! Tag bare et eksempel som Facebooks persongenkendelse på billeder. Dette er udelukkende muligt, fordi vi har hjulpet Facebook ved at ”tagge” venner og bekendte. På denne måde mærkes alle billeder med de korrekte personannoteringer, som lærer ML-algoritmen sammenhængen imellem billeder og personer. På samme måde har radiologer gjort et enormt stort arbejde med at ”tagge” billeder med medicinske fund i årevis, ved at beskrive alt billeddiagnostisk materiale, hvilket giver et unikt udgangspunkt for at anvende ML-algoritmer til billedanalyse.

Forståelse af sammenhænge

Når en ML-algoritme trænes i at forstå sammenhænge i radiologisk billedmateriale, nedarves en del af de iagttagelser og beslutninger, som dygtige læger har gjort sig igennem tiden. Algoritmen bliver herved selv i stand til at kunne træffe lignende beslutninger om fremtidige billeder. Forskning på området viser dog, at hverken ML-algoritmen eller lægen på sigt kan stå alene – her er netop samarbejdet mellem lægen og ML-algoritmen vejen til den bedste diagnostik.

I takt med at nye teknologier udvikles, vil der i fremtiden følge flere automatiske analyser med medicinske billeder. Man kan forestille sig røntgenbilleder, rekvireret fra skadestuen, som automatisk bliver analyseret for frakturer, automatisk helkropsscreening i forbindelse med traumatologisk udredning eller automatiske behandlingskontroller af kræftpatienter. En stor del af billedanalysen vil formentligt ske decentraliseret fra den radiologiske afdeling og være beskrevet med det samme. Samtidig kommer patienten nok til at stå for flere undersøgelser egenhændigt, som f.eks. egenkontrol af diabetisk retinopati på mobiltelefonen.

Det tager tid

Denne disruption af det radiologiske speciale kommer naturligvis til at tage tid, og der findes på nuværende tidspunkt ”kun” algoritmer, som kan varetage helt specifikke opgaver. ML-algoritmerne er derved dybt afhængige af den menneskelige styrring. Desuden er der stadig store ubesvarede etiske spørgsmål i forhold til anvendelsen af ML i sundhedsvæsenet; hvem har ansvaret for ML-algoritmens beslutninger? Er det radiologen, sundheds-it eller private it-leverandører, som står med ansvaret, når algoritmen fejler?

ML udvikler sig hurtigere og hurtigere, og derfor vil udviklingscyklusserne for ny teknologi blive kortere og kortere. Hvis Danmark i fremtiden skal være førende inden for radiologien, er det vigtigt, at radiologerne er parate til at favne de revolutionerende teknologiske muligheder, som ML fører med sig. ML besidder potentialet til at komplementere radiologen ved krævende opgaver og samtidig automatisere de mere trivielle opgaver. I fremtiden får Danmark derfor i høj grad behov for tekniske hybridradiologer, som også kan forholde sig til datavidenskab og ML-algoritmer, så vi får dansk radiologi i verdensklasse. Faktisk kunne man jo ligefrem forestille sig tekniske innovationslæger – uddannet i et nyt dansk speciale – som er rustede til at navigere tværfagligt i den teknologiske fremtid.