AI-forskning på KI banar väg för mer exakt och globalt jämlik vård

– Då såg vi, kort sagt, att granskning av AI och en radiolog var ett bättre alternativ än två radiologer, säger Karin Dembrower, forskare vid institutionen för medicinsk epidemiologi och biostatistik, KI, överläkare och bröstradiolog. 

AI och en radiolog fann fyra procent fler cancerfall, och kallade tillbaka sex procent färre kvinnor. Att återkalla kvinnor som egentligen är friska tar tid och skapar oro. 

Större träffsäkerhet med AI

I en ny genomgång, publicerad i Radiology 2025, hade AI:n tio gånger bättre träffsäkerhet när den var med och flaggade, än när enbart radiologer gjorde det. Om AI:n flaggar en undersökning har man numera alltid en konsensusdiskussion. 

– Kan vi inte bortförklara fyndet, exempelvis via äldre bilder som vi men inte AI har tillgång till, återkallar vi. Det är radiologer som tar det slutgiltiga beslutet, men AI bidrar med viktig information, säger Karin Dembrower. 

När den första studien inleddes fanns ett visst motstånd hos radiologerna, då det tog extra tid. 

– Men när vi insåg att vi hittar fler cancerfall förändrades inställningen successivt, säger hon. 

Frigör läkartid och kortar köer

I en ännu opublicerad studie sågs att AI ihop med radiolog fann fler fall av invasiv cancer, alltså när tumörceller har spritt sig från sin ursprungliga plats till andra vävnader. 

– Vi har tenderat att lita mer på oss kollegor än på algoritmen, men vi har blivit mer ödmjuka. En insikt är att jag vet vad jag ser, men jag kan ju inte säga vad jag inte ser, säger Karin Dembrower. 

Arbetssättet har frigjort läkartid, vilket har kortat både köer och remisstider. 

– Då kan vi koncentrera oss på mer avancerade undersökningar och utredningar för de kvinnor som har störst risk att få diagnosen bröstcancer.

Vad gäller kliniskt ansvar finns inga tydliga nationella riktlinjer, men EU:s AI Act anger att en människa ska medverka i besluten. Det går i linje med åsikter hos de kvinnor som forskarna djupintervjuade år 2022. De ville också ha med en människa i beslutsledet, och hade högre tolerans för att en människa gjorde fel än om algoritmen gjorde det. 

– De såg då AI:n som ett bra komplement, men inte som en ersättning, säger Karin Dembrower.

Kompenserar för brist på experter 

Att låta AI granska medicinska bilder kan också vara ett sätt att flytta diagnostiken dit den gör mest nytta. Det har Johan Lundin, professor vid institutionen för global folkhälsa, KI, tagit fasta på.

– AI används i dag mest där den behövs minst. Vi har vänt på det perspektivet och tagit den till miljöer där det råder brist på både experter och resurser, säger han. 

Johan Lundin har pågående samarbeten i Kenya och Tanzania, där det är extremt ont om patologer. 

– I Sverige anses vi ha brist med våra 30-40 patologer per miljon innevånare, men i Subsahariska Afrika finns färre än en patolog per miljon invånare. 

Med hjälp av AI och digital teknik vill han sprida tillgången till bildbaserad diagnostik. Komponenterna för att digitalisera prover stammar från mobilindustrin och data kan lätt skickas vidare. 

– Den som bedömer mikroskopibilderna kan sitta i en annan stad eller ett annat land, säger han. 

Screening av 400 miljoner kvinnor

I ett projekt arbetar forskarna med livmoderhalscancer. I Norden förebyggs sjukdomen genom screening och vaccination, men i många låginkomstländer är sjukdomen den vanligaste cancerrelaterade dödsorsaken bland kvinnor. 

Världshälsoorganisationen WHO har satt målet att 70 procent av kvinnor i screeningåldern ska testas till år 2030. 

– För att nå dit behöver 400 miljoner fler kvinnor screenas globalt, ett mål som blir svårt att uppnå utan automatiserade metoder.

Vid Kinondo Hospital i Kenya har forskarna i samarbete med personalen screenat fler än 3 000 kvinnor, och inom primärvården i Tanzania ytterligare 600. En sjuksköterska tar svabbprov från livmodertappen och cellprovet placeras på ett objektglas, prepareras och digitaliseras. AI analyserar cellproven och en erfaren patolog verifierar AI:ns svar på distans. 

Här kunde forskarna visa att AI:n uppnådde samma träffsäkerhet som en expert. De har även analyserat prover för förekomst av det virus som ger livmoderhalscancer. I många länder är detta det primära sättet att screena för sjukdomen och de som testar positivt behöver ta kompletterande vävnadsprover.

– Men i regioner där 25-30 procent av kvinnorna är positiva är detta svårt att implementera – då kan AI-analys av cellprover bli ett ”mellanled” som avlastar systemet, säger Johan Lundin. 

Hittar parasiter på sekunder

Inälvsparasiter som sprids via jord är en grupp ”försummade sjukdomar”, trots att cirka 1,5 miljarder människor bär på infektionerna globalt och 20-30 procent av barn i vissa regioner är drabbade. Infektionerna behandlas med avmaskningsmediciner som tas som en engångstablett, något som har lett till att man har massbehandlat. Men upprepad behandlingen kan leda till läkemedelsresistens. 

– Vår metod gör det möjligt att bara behandla de som faktiskt är återinfekterade efter den första behandlingen, säger han. 

De testade avföringsprover från 2 500 skolbarn. När en mikroskopist går igenom proverna på jakt efter maskägg tar det 10-15 minuter per objektglas – för AI sekunder. 

– Och i mer än tio procent av fallen kunde AI hitta ägg som den mänskliga experten missat. Det kan handla om ett eller två ägg på ett helt glas, så det är som att leta efter en nål i en höstack, säger Johan Lundin. 

Att prover måste prepareras är en utmaning då reagenser kan variera mellan tillverkningssatser och laboratorier. 

– AI är som en student. Ser proverna olika ut från gång till gång fungerar AI:n sämre, säger han. 

Därför behöver AI-modellen anpassas till lokala förhållanden genom standardiserade rutiner och kvalitetskontroller, som forskarna beskrev i British Medical Journal 2025. 

– När AI införs lokalt bör man justera modellen genom att manuellt kvalitetssäkra de första 50-100 proverna, säger Johan Lundin. 

Men detta kan vara historia på några års sikt. 

– Kanske behöver vi inte färga in preparat som i dag. Det har varit nödvändigt för att hjälpa mänskliga ögon på traven, men AI kanske kan hitta avvikelser ändå. 

Johan Lundin betonar att AI har potential att minska global ojämlikhet om det används ansvarsfullt, med förtroendeskapande och utbildning i fokus. 

– I lågresursmiljöer har vi upplevt starkt stöd för denna utveckling, inte minst då det saknas experter, säger han och fortsätter:

– Det är viktigt att AI inte bara blir high-tech för rika länder, då de största behoven finns i lågresursländer. 

Stöd för skräddarsydd medicinering

AI används ofta för att hitta avvikelser i olika slags bildmaterial. Men AI kan även analysera andra slags data för att hitta medicinskt relevanta mönster. Det kan exempelvis handla om att en undergrupp patienter sticker ut för att de reagerar särskilt bra – eller dåligt – på ett visst läkemedel. 

Helga Westerlind, docent i epidemiologi vid institutionen för medicin, Solna, KI, arbetar med att utveckla AI-modeller för att leta efter sådana nya mönster i ett brett datamaterial. 

I ett projekt fokuserar hon på patienter med den autoimmuna sjukdomen ledgångsreumatism. Vid diagnos får de flesta behandling med det immundämpande läkemedlet metotrexat. Detta trots att en tredjedel av patienterna behöver avsluta behandlingen inom ett år för att den inte fungerar eller ger biverkningar, och att det finns flera behandlingsalternativ. 

– I just det här projektet vill vi försöka identifiera vilka som har minst chans att svara på första linjens behandling, så att de snabbare kan få rätt behandling, säger hon.

I projektet använder hon registerdata från nationella register med patienternas sjukvårdshistorik, läkemedelsförskrivningar, sociodemografisk information och kliniska data. Ur blodprover som har genotypats, har forskarna även genetiska data om individerna. 

– Det är stora mängder data av olika slag som vi behöver kombinera på något smart sätt, säger Helga Westerlind. 

Traditionellt hade forskare utgått från tidigare kunskap och byggt så kallade regressionsmodeller, men AI gör det möjligt att arbeta mer datadrivet. 

– Vi låter AI hypotesfritt undersöka vilka variabler som verkar vara viktiga, säger hon. 

Men variabler måste förbehandlas och hanteras på olika sätt, steg som påverkar resultaten. 

Arbetssättet innebär också utmaningar för hur forskarna ska tolka de mönster som AI hittar. 

– Man måste skilja mellan prediktion och kausalitet, säger Helga Westerlind. 

Risken för falska resultat

En central fallgrop är att utvärdera en AI-modell på data som också har använts i träningen, så kallad ”information leakage”. 

– Då får man fantastiskt fina, men falska resultat, säger hon. 

Ofta sker detta oavsiktligt. 

– Det är lätt hänt att av misstag låta hela datamängden påverka modellens val av variabler och sedan tro att man utvärderar modellen på oberoende data. Det man behöver göra är att använda delar av data för träning och andra delar för utvärdering. 

Forskargruppen använder ett ”iterativt arbetssätt”, där de steg för steg förbättrar sin modell. 

– Vi börjar från grunden med enkla modeller och lägger successivt på mer komplicerade metoder och fler datatyper, förklarar Helga Westerlind.

Den första studien, med enbart registerdata, publicerades 2021 i ACR Open Rheumatology. Den andra, publicerad i år i Journal of Internal Medicine, kombinerade registerdata med genetiska data. 

– Vi såg att AI-modellerna inte nödvändigtvis gav bättre resultat än traditionella modeller, men de gör det möjligt att arbeta med betydligt större datamängder och att upptäcka mer komplexa, icke-linjära samband, säger hon. 

Helga Westerlind betonar vikten av tvärvetenskap, med expertis från medicin, statistik, matematik och datavetenskap. Själv är hon civilingenjör i datateknik. 

– Det är grunden till att jag har det här synsättet, säger hon. 

Att använda AI på detta sätt har betydelse på flera plan. 

– Vad gäller forskning kan AI till exempel bidra med hypotesgenererande insikter om biologiska samband, alltså att vi hittar något som sedan visar sig vara värt att utforska för att förstå mer om biologin bakom sjukdomen, säger Helga Westerlind. 

På sikt hoppas hon att arbetet ska resultera i ett kliniskt beslutsstöd. 

– Drömmen vore ju ett verktyg som kan hjälpa reumatologen: vilken behandling har en viss patient störst chans att svara på? Och för patienten handlar det i slutänden om att snabbare få en behandling som fungerar, och därmed bättre livskvalitet.

AI-forskning med stor spridning

De tre KI-forskarna bedriver alla AI-forskning som står ut internationellt. 

– Att låta AI granska alla screeningprover förekommer inte någon annanstans i världen, så våra studier och de erfarenheter vi redovisar är unika, säger Karin Dembrower. 

Johan Lundin pekar på hur forskningen om hur det går att göra medicinsk diagnostik tillgänglig för fler lagt grunden till att han och kollegorna har bjudits in att verka inom FN-initiativet Global Initiative on AI for Health. 

– Där samarbetar flera globala organisationer kring tekniska, etiska och regulatoriska riktlinjer, säger han. 

Inte heller Helga Westerlinds arbete med att integrera olika datamodaliteter har sin motsvarighet någon annanstans: 

– Dels är våra datainsamlingar unika både med avseende på antal individer och på mängden data, dels beror det på att det både är oerhört svårt att få till och tidskrävande, säger hon.

Text: Lotta Fredholm