AIforScreening
Forskningsprosjektet skal utvikle algoritmer, metoder og tilnærminger som gir robuste og pålitelige AI-løsninger for analyse av screeningmammogrammer.
Om prosjektet
-
Prosjektperiode: 01.07.2021 - 30.06.2030 (Aktivt)
- Koordinerende institutt: Folkehelseinstituttet
-
Prosjektleder:
- Solveig Sand-Hanssen Hofvind, Folkehelseinstituttet
-
Prosjektdeltakere:
- Lars Holden, Norsk Regnesentral
- Lidia Luque, Oslo universitetssykehus HF
- Silje Sagstad, Kreftregisteret
- Randi Gullien, Oslo universitetssykehus HF
- Inge Groote, Oslo universitetssykehus HF
- Fredrik Dahl, Norsk Regnesentral
- Åsne Sørlien Holen, Kreftregisteret
- Evy Gran, Akershus universitetssykehus HF
- Gunhild Mari-Ann Opsahl, Sykehuset i Vestfold HF
- Einar Vigeland, Sykehuset i Vestfold HF
- Manouchehr Seyedzadeh, Akershus universitetssykehus HF
- Fredrik Strand, Karolinska Institutet
- Line Eikvil, Norsk Regnesentral
- Atle Bjørnerud, Oslo universitetssykehus HF
- Marit Holden, Norsk Regnesentral
- Olav Brautaset, Norsk Regnesentral
- Åse Tangerud, Oslo universitetssykehus HF
- Marthe Larsen, Kreftregisteret
- Nataliia Moshina, Kreftregisteret
- Marie Burns Bergan, Kreftregisteret
- Heidi Elisabeth Sando, Kreftregisteret
- Alba Ordoñez, Norsk Regnesentral
Sammendrag
Forskningsprosjektet skal utvikle algoritmer, metoder og tilnærminger som gir robuste og pålitelige KI-løsninger for analyse av screeningmammogrammer. Kreftregisteret er forskningsansvarlig institusjon, og studien gjennomføres i samarbeid med Norsk Regnesentral (databehandler), norske brystsentre og Karolinska Institutet i Stockholm, Sverige. Bruk av KI i mammografiscreening kan frigi radiologkapasitet og bidra til å oppdage ikke bare flere krefttilfeller, men også de som vokser fort og som det menneskelige øye kanskje ikke ser eller oppfatter. Dype nevrale nettverk er en type KI som har vist å ha potensiale til å øke sensitiviteten for å oppdage kreft i mammografiscreening. Det antyder at KI kan oppdage aggressive svulster i et tidlige stadium, før de har utviklet seg og spredt seg til andre organer. Det kan igjen bety sparte liv og en bedre helsetjeneste. Dette krever stabile KI-løsninger som kan brukes på apparater fra ulike leverandører, på ulike kvinner med forskjellig mammografisk kjerteltype, at de finner det de skal og ikke flagger for mange negative funn. I tillegg må vi forstå effektene av å introdusere og bruke KI, både fra et radiograffaglig og et radiologfaglig perspektiv, men også fra kvinnenes og samfunnets perspektiver. Den virkelige verden er imidlertid mer kompleks og mangfoldig enn kontrollerte forskningsomgivelser hvor KI har vært testet. Det er derfor et behov for å se nærmere på hva som skal til for å bringe dagens lovende resultater videre ut til den virkelige verden, i screening og i sykehushverdagen. For å kunne bidra å fylle disse kunnskapshullene ønsker vi å gjenbruke screeningdata og bildedata samlet inn i forbindelse med forskningsprosjektet Bruk av maskinlæring for å tyde mammogrammer; (REK ref. 2017 2461), og samle inn screeningdata og bildedata fra tre nye brystsentre samt fra Karolinska Institutet. Vi vil utvikle robuste KI-systemer for screening som kan håndtere mammogrammer fra ulike leverandører over tid, som kan utnytte data fra flere undersøkelser og som er tilpasset bruk i en klinisk sammenheng i kombinasjon med radiologens vurderinger. Vi vil også sikre at tilnærmingene er pålitelige ved å utvikle metoder for å forklare og forstå resultatene og studere hvordan integrasjon av KI i prosessen kan påvirke radiologens beslutninger i vurderingen av mammogrammene.