Algoritmen varnar innan hjärtinfarkten är ett faktum

I Sverige är cirka 1,8 miljoner människor drabbade av hjärt-kärlsjukdom som också ligger bakom mer än en tredjedel av alla dödsfall. För att få mer information om vad som orsakar sjukdomarna – och vad som kan göras för att förhindra dem – startade sex universitetssjukhus tillsammans befolkningsstudien Scapis 2013. Det omfattande forskningsprojektet undersöker 30 000 personer i åldern 50-64 år.

De stora mängder information och bilder som Scapis producerar används i flera medicinska forskningsprojekt där datorer ska lära sig att tolka röntgenbilder av mänskliga organ. Ett av dem ska studera fettvävnad innanför hjärtsäcken.

– Att lida av bukfetma är ofta kopplat till en ökad risk för hjärt- och kärlsjukdom, och man tror att fettet runt hjärtat är av samma sort, säger David Molnar, doktorand vid institutionen för klinisk fysiologi vid Sahlgrenska universitetssjukhuset i Göteborg och en av forskarna.

Leta rätt fett

Fett finns både innanför och utanför hjärtsäcken, men eftersom det bara är fettet innanför som antas vara farligt gäller det att kunna skilja dem åt. Den som ska tolka en röntgenbild har alltså två uppgifter, att avgöra var gränsen går och beräkna mängden fett innanför.

– En erfaren röntgenläkare kan ta en arbetsdag på sig för att tolka bilden från en patient, säger David Molnar. Då inser man att det inte är möjligt att manuellt undersöka 30 000 bilder.

Även om de hade lyckats hitta tusen radiologer som skulle dela upp arbetet mellan sig skulle värdena få så stor spridning att resultatet inte skulle bli tillförlitligt. Datorer är mer förutsägbara, men måste samtidigt matas med algoritmer som åtminstone har en del av den mänskliga hjärnans flexibilitet.

Forskare har i tio år försökt hitta rätt algoritmer för den här uppgiften, men hittills har ingen lyckats tillräckligt bra. En lösning har varit ett låta datorn bortse från en del av fettet i de fall där det är svårt att hitta en tydlig gräns.

– Men det är inte acceptabelt att strunta i visst fett för att det är svårt för maskinen. Inte om vi vill få svar på frågan om det finns ett samband mellan fettvolym och sjukdom.

Hitta bästa algoritmen

Arbetet med att förbättra datorernas möjlighet att tolka hjärtsäcksbilderna är ett samarbete mellan Sahlgrenska universitetssjukhuset och Chalmers. Jennifer Alvén är doktorand i forskargruppen Datorseende och Medicinsk Bildanalys vid Chalmers och den som ska ta fram rätt algoritm. Eller, rättare sagt, förbättra och förnya befintliga (maskininlärnings)algoritmer

– Man läser vetenskapliga artiklar som är relevanta, sedan hittar man en artikel där någon har tillämpat en spännande metod och så sätter man sig och kodar. Man vill göra något nytt för att föra forskningen framåt.

Metoden hon använder för att lära datorn kallas supervised learning. Den utgår ifrån ett facit, i det här fallet bilder av hjärtan där en erfaren läkare har linjerat ut hjärtsäcken, sedan får datorn med facit som grund försöka sig på samma sak med röntgenbilderna.

– Man låter datorn träna några dygn, sedan kollar man om den har gjort något vettigt med bra resultat. Om inte, försöker man skapa en smartare algoritm.

Fram till nu har hjärtsäcksalgoritmen arbetat med tusen bilder där patienten har fått kontrastvätska före röntgen, något som underlättar uppgiften.

– Nu tar vi fram en metod för analys av fettmängden på bilder utan att kontrast har givits, säger David Molnar. Vitsen med det är att vi får tillgång till en större population av patienter och kan jämföra internationellt med arbeten som ofta är gjorda utan kontrast.

Svar om två år

David Molnar räknar med att det kommer att ta två år innan de har ett preliminärt svar på frågan om fettets betydelse. För att få ett definitivt svar måste forskarna vänta tills tillräckligt många av de som ingår i Scapis har drabbats av någon hjärt-kärlsjukdom.

Jennifer Alvén är även inblandad i andra medicinska forskningsprojekt. Ett handlar om att lära datorn hitta indikatorer på Alzheimers, i ett annat ska den lära sig att linjera ut kranskärl. Men maskininlärning kan även komma till användning i praktisk medicin, till exempel under en operation.

– Vid titthålskirurgi får kirurgen en bild och får själv tolka vad det är hen ser, i framtiden kan datorn tala om vad som syns i bild.

Tekniken finns men än är den långt ifrån att användas i den dagliga vården.

– Inom medicin är patientsäkerheten viktig, det krävs väldigt stor tilltro till tekniken för att den ska användas kliniskt och inte bara i forskning, säger hon.

Text: Johan Frisk, på uppdrag av forskning.se