Tilbake til søkeresultatene

HELSEVEL-Gode og effektive helse-, omsorgs- og velferdstjenester

WIML: Workflow-integrated machine learning. An innovative solution for precision imaging in radiology

Alternativ tittel: Maskinlæring i sykehusets arbeidsflyt. En innovativ løsning for presisjonsavbilding i radiologi

Tildelt: kr 7,0 mill.

Å lære datamaskiner å snakke sykehus Sykehusene representerer en viktig del av spesialisthelsetjenesten og bidrar til god helse og livskvalitet for alle, og god sykehusdrift er derfor viktig for pasienter, deres familier og samfunnet forøvrig. Gjennom innovasjon og kontinuerlig forbedringer tilstreber sykehus og helseforetak derfor til enhver tid å tilby gode og kostnadseffektive metoder og prosedyrer for diagnostikk og behandling. Vårt prosjekt skal gjøre det enklere og raskere for sykehus å innføre og teste teknologiske nyvinninger innen maskinlæring og kunstig intelligens (AI) i forbindelse med bildeddannende undersøkelser. Bildebaserte undersøkelser som CT, MR og PET er allerede blant de viktigste og mest brukte metoder for diagnostikk og oppfølging av sykdom eller skade. Gjennom fremskritt innen bildeteknologi har imidlertid volumet og informasjonsrikdommen i disse bildeundersøkelsene overskredet det et menneske kan få oversikt over og dermed tolke. Her vil maskinlæring og AI være viktige verktøy for radiologer og klinikere slik at de kan ta ut potensialet for bedre diagnostiske prosesser og pasientbehandling knyttet til bildedannende undersøkelser. Dette prosjektet skal lage et rammeverk som kobler slike metoder direkte til sykehusets arbeidsflyt, altså gjøre maskinlæringsalgoritmer i stand til å integreres innenfor sykehusteknologiens allerede etablerte dataspråk og arbeidsflyt. Rammeverket vil gjøre det mulig for sykehuspersonell trygt og effektivt å kunne evaluere ny teknologi, gi en infrastruktur for rask prototyping og testing, gi verdifulle tilbakemeldinger til metodeutviklere, samt føre til økt tillit og ekspertise innen et område som er svært nytt og lovende i sykehussammenheng. Gjennom WIML har vi som målsetting å aksellerere translasjonen av nye metoder innen maskinlæring og kunstig intelligens til klinisk radiologisk praksis, og slik bidra til raskere og mer presis pasientdiagnostikk og behandling. WIML studien har allerede gjort det mulig at et vitenskapelig arbeid kan nyttiggjøre en tett integrasjon av AI løsning for hjerne-perfusjon. Først oversender en forsker data til en medisinsk arbeidsstasjon for AI løsninger, så blir bearbeidede resultater automatisk sendt tilbake til forskeren og direkte integrert i strukturen for studien.

Recent years have seen exciting applications of machine learning in medical data analysis, from radiology and dermatology to electronic health records and drug discovery. This has led to great interest and enormous expectations from the medical profession. However, it is still early days for the evaluation and integration of artificial intelligence and machine learning-derived information in clinical practice. This proposal addresses one of the crucial missing elements required for implementation and integration in clinical radiology: an innovative, direct integration of computational imaging methods with picture archive and communication systems (PACS). To ensure the usefulness of our innovation, we will apply it to two of the most important health challenges in modern society: cancers in women (uterus) and men (prostate). We aim to i) Integrate routine radiology workflow with research infrastructure for computational image analysis. ii) Apply and evaluate this enabling technology on a large collection of imaging and clinical data from a cohort of 600 gynecologic cancer patients treated at Haukeland University Hospital since 2009. This will be done using novel, deep-learning based approaches to segmentation for ROI-based information extraction ("radiomics"). iii) Investigate how well our innovation generalizes to other computational medical imaging methods and to different applications, and explore how our framework can best be embedded in clinical PACS and HIS/RIS systems. Such an ambitious endeavor is particularly timely and feasible due to the recently established multidisciplinary center MMIV at Haukeland University Hospital. At MMIV, the project will be embedded in a research environment with access to world class MRI scanners and imaging infrastructure, large collections of patient data, and top expertise within preclinical and clinical disciplines, radiology, pathology, MR physics, mathematics and computational science.

Budsjettformål:

HELSEVEL-Gode og effektive helse-, omsorgs- og velferdstjenester